千人千面是指系统基于用户的兴趣,通过复杂算法来推荐个性化的内容,不再是千篇一律,达到用户所见即所需的效果,能显著提高成交转化率,更能提升用户体验。
关键词
- 千人千面
- 个性化推荐
- 内容系统
- 算法
发展历程
目前我们日常使用互联网应用几乎都应用了个性化推荐技术,但是它的推广应用却不是一蹴而就的。
第一阶段
2012年今日头条上线,第一个利用推荐系统进行流量分发的内容APP第二阶段
2015年淘宝双11全面开启“千人千面”时代现在
知乎、抖音、美团等各大应用都在使用推荐系统进行个性化内容推荐
商业价值
提升用户体验
所见即所需,不再需要用户从成千上万的内容中去挑选自己感兴趣的。
提高成交转化率
精准推广,用户成交冲动更强。
解决方案介绍
应用场景举例
搜索列表
- 淘宝搜索商品
关键字搜索,并根据相似度排序来推荐相似的商品。
- 美团外卖搜索
关键字搜索,并根据商家距离、评分、配送速度等因素来综合排序推荐。
- 信息流
知乎首页信息流,推荐有浏览、赞同、评价的同类内容,以及关注的人的内容,曾发表过的文章有相同主题的内容。
- 猜你喜欢
推荐用户购买过、浏览过商品的同类商品,还可以推荐对相同商品有相同行为的这类用户的购买和浏览商品。
技术路线
因为推荐系统整个的技术难度较大,一般都是算法专业且有经验的团队来做。实践中可以分3个阶段来做:千人几面——千人百面——千人千面
- 萌芽:千人几面
基于规则匹配推荐。制定一些简单的业务规则,如根据用户自己对内容产生的浏览次数(看了又看)、购买次数(买了还买),收藏次数来做简单的推荐;或者根据性别年龄分类来做推荐,18岁的女生都喜欢什么,中年大叔又都喜欢什么。
- 起步:千人百面
基于内容的推荐。如果只是推荐用户已经产生行为的内容,那这些内容也只会是单一的,对用户吸引性不强。那么我们可以基于用户产生行为的这些内容做相似推荐,如推荐相同分类、品牌、标签的内容。
- 绽芒:千人千面,比你自己更懂你
基于协同过滤的推荐。基于内容的推荐已经能基本满足用户的推荐需求,却不能做到真正的千人千面,因为都是基于用户自己的行为数据来做推荐。
协同过滤不单单只根据自己的喜好,而且还引入了相同行为的人的喜好来进行推荐,即我喜欢的内容,他也喜欢,那么他喜欢的其他内容我可能也很喜欢。以人类人这样推荐更加充分,而且可以深入挖掘用户潜在的兴趣。
那怎么计算内容相似度呢?
首先提取出内容的特征,又通计算得出了用户喜欢的特征,那么可以通过余弦相似度计算出内容间的相似度,做为个性化推荐的依据。余弦相似度是指通过计算两个向量的夹角余弦值来评估他们的相似度,夹角越小,两个向量越相似;夹角越大,两个向量越不同。
我们的机会
业务场景
- 药房与药品列表
能直接猜出用户所需的药品,而不是简单配一些常见药。
- 医生列表
对于一个肝病患者展示这些,患者也只能再去搜医生的名字或者科室才能找到医生。
- 学术文章信息流
医生很忙,不能推些他不感兴趣的学术内容打扰他。