編輯導(dǎo)語：個(gè)性化推薦系統(tǒng)是互聯(lián)網(wǎng)和電子商務(wù)發(fā)展的產(chǎn)物，它是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，向顧客提供個(gè)性化的信息服務(wù)和決策支持。今天，本文作者就結(jié)合自己的經(jīng)歷，為我們分享了從0到1搭建個(gè)性化推薦系統(tǒng)的設(shè)計(jì)思路。

1. 設(shè)計(jì)目的

• 商城已上線2周年，已有10萬+在售物品。需要推薦系統(tǒng)，幫助用戶從過量的物品中，快速發(fā)現(xiàn)優(yōu)質(zhì)物品，縮短用戶路徑，提高訂單量。
• 目前商城訂單量、用戶數(shù)增長(zhǎng)緩慢，所以需要推薦系統(tǒng)，作為新的增長(zhǎng)點(diǎn)，帶動(dòng)業(yè)務(wù)增長(zhǎng)。
• 通過全面采集用戶、物品數(shù)據(jù)，并分析各類用戶對(duì)各類物品的喜好，可以幫助商家快速了解平臺(tái)內(nèi)用戶喜好，了解自己的物品特點(diǎn)，提高訂單量。

2. 產(chǎn)品結(jié)構(gòu)

3. 推薦模型設(shè)計(jì)

3.1 基于物品的協(xié)同推薦

3.1.1 算法原理

基于物品的協(xié)同推薦算法認(rèn)為： 當(dāng)用戶A喜歡物品a，且物品a和物品b相似，則認(rèn)為用戶A喜歡物品b。 所以搭建該算法分為兩步：

1. 計(jì)算用戶A對(duì)物品a的喜愛度
2. 計(jì)算物品a和物品b的相似度

用戶A對(duì)物品b的喜好矩陣=用戶A對(duì)物品a的喜好矩陣+物品a和物品b的相似度。

3.1.2 明確用戶的喜愛特征的權(quán)重

根據(jù)和業(yè)務(wù)專家的初步討論，明確用戶對(duì)物品的喜愛度，與以下行為有關(guān)：

1. 瀏覽：用戶進(jìn)入物品詳情頁后，在詳情頁停留的時(shí)長(zhǎng)超過5S；
2. 收藏：用戶點(diǎn)擊收藏按鈕，收藏了物品，且未取消收藏；
3. 下單：用戶購(gòu)買過該物品，且未退貨；
4. 轉(zhuǎn)發(fā)：用戶轉(zhuǎn)發(fā)過該物品。

根據(jù)上述維度，可構(gòu)建判斷矩陣：

將上述矩陣進(jìn)行歸一化、計(jì)算權(quán)重后，最終計(jì)算的權(quán)重結(jié)果如下圖所示：

瀏覽：0.1，收藏：0.29；下單：0.43；轉(zhuǎn)發(fā)：0.18。一致性檢驗(yàn)過程如下圖所示：CR=0.02<0.1 一致性檢驗(yàn)通過

最終確定標(biāo)準(zhǔn)化指標(biāo)，如下表：

3.1.3 構(gòu)建用戶對(duì)物品的喜愛度矩陣

根據(jù)上述計(jì)算過程，可以計(jì)算用戶對(duì)某物品的喜愛度。

例如用戶1，對(duì)物品a：瀏覽了13S，未收藏，下單了1次，轉(zhuǎn)發(fā)了2次，則用戶1對(duì)物品a的喜愛度為：2*0.1+0*0.29+1*0.43+2*0.18，最終計(jì)算所有用戶對(duì)物品的喜愛度矩陣：

3.1.4 構(gòu)建物品對(duì)物品的相似度矩陣S

按照喜愛度矩陣R，根據(jù)皮爾遜相關(guān)系數(shù)公式（兩個(gè)變量之間的皮爾遜相關(guān)系數(shù)定義為兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商），可計(jì)算出多個(gè)物品之間的相似度：

• Xi：用戶i對(duì)物品X的喜愛度
• `X：所有用戶對(duì)物品X的喜愛度的算數(shù)平均值
• Yi：用戶i對(duì)物品Y的喜愛度
• `Y：所有用戶對(duì)物品Y的喜愛度的算數(shù)平均值
• r: 物品x和物品y的相似度

最終可計(jì)算出相似度矩陣S，矩陣為對(duì)稱矩陣：

3.1.5 預(yù)測(cè)用戶A對(duì)物品b的喜好

通過喜好矩陣R*相似度矩陣S，即用戶i對(duì)所有物品的評(píng)分作為權(quán)重，和物品j中的物品相似度乘積加和，可得到用戶i對(duì)物品j的評(píng)分預(yù)測(cè)P(i,j)。

3.2 基于用戶的協(xié)同過濾

基于用戶的協(xié)同推薦算法認(rèn)為： 當(dāng)用戶A喜歡物品a，且用戶A和用戶B相似，則認(rèn)為用戶B喜歡物品a。

所以搭建該算法分為兩步：

1. 計(jì)算用戶A對(duì)物品a的喜愛度
2. 計(jì)算用戶A和用戶B的相似度

用戶B對(duì)物品a的喜好矩陣=用戶A對(duì)物品a的喜好矩陣+用戶A和用戶B的相似度，計(jì)算過程和基于物品的協(xié)同過濾的極端過程基本一致。

4. 推薦效果驗(yàn)證

在推薦系統(tǒng)上線前的離線測(cè)試、 AB測(cè)試階段，需要系統(tǒng)的驗(yàn)證推薦系統(tǒng)的效果。

推薦系統(tǒng)推薦給用戶的東西有多少是用戶真正喜歡的、帶來了多大的轉(zhuǎn)化率等等。驗(yàn)證推薦系統(tǒng)的效果常見的指標(biāo)，包括：

• 準(zhǔn)確度
• 召回率
• 覆蓋率
• 多樣性

4.1 準(zhǔn)確率

準(zhǔn)確率表示預(yù)測(cè)為正的樣本中，真正的正樣本的比例。

公式如下：

R(u)是根據(jù)用戶在訓(xùn)練集上的行為給用戶作出的推薦列表，而T(u)是用戶在測(cè)試集上的行為列表。

最簡(jiǎn)單的例子：例如推薦系統(tǒng)給用戶推薦了10件物品，用戶進(jìn)入物品詳情頁定義為判斷真正的正樣本的行為，用戶進(jìn)入了其中3件物品的詳情頁，則此時(shí)準(zhǔn)確率=3/10=30%。

4.2 召回率

召回率表示的是真正的正樣本中，被推薦的真正的正樣本的比例。

公式如下：

R(u)是根據(jù)用戶在訓(xùn)練集上的行為給用戶作出的推薦列表，而T(u)是用戶在測(cè)試集上的行為列表。

最簡(jiǎn)單的例子：用戶進(jìn)入物品詳情頁定義為判斷真正的正樣本的行為，用戶進(jìn)入了20件物品的詳情頁，其中3件物品是從推薦列表中進(jìn)入的，則此時(shí)準(zhǔn)確率=3/20=15%。

4.3 覆蓋率

覆蓋率表示的是被推薦出來的樣本，占總樣本的比例。

公式如下：

U是推薦系統(tǒng)中所有用戶的集合，R(u)是給每個(gè)用戶推薦的物品列表，I是所有推薦池的物品。最簡(jiǎn)單的例子：給用戶推薦了10件商品，總共100件商品，則此時(shí)覆蓋率=10/100=10%。

4.4 多樣性

多樣性表示被推薦的物品，兩兩之間的差異性。

公式如下：

s(i, j)是推薦的物品i和j之間的相似度，u是被推薦的用戶，R(u)是給用戶推薦的物品列表。

4.5 其他指標(biāo)

除了上述指標(biāo)外，也有從其他業(yè)務(wù)維度驗(yàn)證推薦系統(tǒng)效果的指標(biāo)。例如新穎性、驚喜度、信任性、實(shí)時(shí)性、健壯性，以及基于公司發(fā)展規(guī)劃的商業(yè)指標(biāo)等。

5. 總結(jié)

當(dāng)公司業(yè)務(wù)/產(chǎn)品，發(fā)展到一定規(guī)模，積累了一定的數(shù)據(jù)量，為了進(jìn)一步提升業(yè)務(wù)指標(biāo)/用戶體驗(yàn)，往往會(huì)考慮個(gè)性化推薦系統(tǒng)。

從0搭建mvp的個(gè)性化推薦系統(tǒng)，需要：

• 梳理數(shù)據(jù)源，維護(hù)底層數(shù)據(jù)質(zhì)量、拓展數(shù)據(jù)維度；
• 基于對(duì)業(yè)務(wù)的深入理解，形成符合業(yè)務(wù)需求的推薦模型；
• 最終形成給用戶的個(gè)性化推薦功能。

個(gè)性化推薦系統(tǒng)，最常見的就是基于用戶/基于物品的協(xié)同過濾。構(gòu)建協(xié)同過濾模型，需要：

• 計(jì)算用戶-物品的喜愛度矩陣R；
• 計(jì)算用戶-用戶/物品-物品的相似度矩陣S；
• 兩個(gè)矩陣相乘，得到用戶-物品的喜愛度預(yù)測(cè)值。根據(jù)預(yù)測(cè)值進(jìn)行推薦；
• 驗(yàn)證推薦效果，并持續(xù)調(diào)優(yōu)。

另外，在從0搭建推薦系統(tǒng)，開需要考慮用戶冷啟動(dòng)、物品冷啟動(dòng)等問題。

?

本文由 @16哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Pexels，基于 CC0 協(xié)議