演算法推薦 人工干預已成APP運營法寶

大家時常用到購物軟體，有沒有發現自己搜過某個產品之後，會收到很多類似產品的推薦;在某個網頁瀏覽過好玩的段子後，也會收到很多類似的內容推送，沒錯，這就是傳說中的智能推薦。

那麼，這種類似「肚子里蛔蟲」的技術，是如何一步步了解你的興趣愛好呢?今天我們就來揭秘一下。

想做到精準的信息推送主要有三個方式，主要是從機器學習模型，產品數據，和用戶調查上來考核並推薦用戶信息。

1. 機器學習模型

推薦引擎的一大核心就是機器學習，也就是目前廣泛認為的人工智慧技術。通過分析個人的相關數據，預測和判斷其可能感興趣的內容，並以此做出推薦。

2. 產品數據

這裡指的產品數據包括但不限於：

· 日/月活躍用戶(DAU，MAU)

· 用戶互動 (點贊，評論，轉發等)

· 用戶停留時間和消耗的內容量

· 用戶互動率(比如看過的內容中點贊/評論/長閱讀/收藏的比例)

· 用戶舉報和屏蔽的數量

根據這些數據，我們可以判斷一個用戶究竟對這個內容有多大興趣。以消耗內容量為例，如果這一類文章平均閱讀頁數超過70%，我們就可以判定其為深度用戶，可以更多的推薦相同內容。

《今日頭條》用戶調查

3. 用戶調查

調查的過程是對用戶信息的更深度挖掘，雖然這個調查時被動的，但可以反映出用戶的真實需求。調查不一定以專門的問卷形式體現，一般穿插產品底部，可以隨時標記喜歡或者不喜歡。

而通過我們對包括今日頭條、秀兜、花椒直播等幾款主流軟體的使用體驗，發現其推薦過程各有不同，這裡以秀兜APP做簡單舉例。秀兜是一款聚焦黑科技的視頻軟體，我比較喜歡去上面搜索一些科技信息和新奇產品。

秀兜推薦演算法大致分為三個方向：

基於內容的推薦演算法：原理是用戶比較喜歡和自己已關注的內容相似度高的內容，即推薦關聯性大的內容給你。這種方法的好處可以避免冷啟動問題，但是弊端是推薦的內容極有可能是是重複的，還有一個問題是對於音樂圖片等很難自動提取內容特徵，因此需要人工給這些內容打上標籤。

協同過濾演算法：如果存在用戶B的興趣與A相似，那麼B喜歡的商品A 極有可能喜歡，這個道理比較簡單。

基於知識的推薦演算法：這種方法比較典型的是構建領域本體，或者是建立一定的規則，進行推薦。比如在「黑科技」這一關鍵詞的大前提下，建立的規則可能是日用品、軍用品、概念品等幾個細分規則，針對這些規則進行篩選。

在具體操作的過程中可以融合以上的幾種方法，或者是加以串聯、並聯等方式融合，以期實現更精準的用戶推薦。

《秀兜》APP智能推薦頁面

這樣的一種機制無疑可以保證每次再打開APP後，看到的資訊都是自己喜歡的，從而大大減少了用戶自己搜索、篩選資訊的時間成本。同時使用產品的次數越多，使用數據和反饋也就越多，推薦內容的匹配度越高，用戶閱讀興趣和黏性越強，形成一個良性循環。

看到這裡是不是覺得這項技術其實也沒那麼高深莫測呢?

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！