推薦演算法京東

⑴ 什麼是人工智慧名片

自1956年人工智慧名片的概念被正式提出以來，人工智慧名片的發展可以說是幾經沉浮。近年來，隨著深度學習演算法的突破，人工智慧名片技術變得愈加成熟，2016年穀歌公司的人工智慧名片AlphaGo戰勝人類圍棋冠軍之後，直接掀起了人工智慧名片發展的高潮。

人工智慧名片

不過，說起人工智慧名片，有些人會覺得這是一種非常前沿的技術，似乎更多的是在實驗室里，離我們的生活還很遙遠。但是，如果稍微注意一下，你就會發現人工智慧名片其實早已悄然融入到我們的生活之中。下面，就來看看在我們身邊的人工智慧名片吧。

1、導航應用程序

以前我們在出行時，一般都是帶著紙質地圖。如果想去不熟悉的地方旅行，知道如何使用地圖是一項基本的生活技能。現如今，到陌生的地方旅行變得更加容易，因為只需下載一個地圖導航軟體就可以到達目的地。目前，我們比較常用的導航地圖像高德地圖、網路地圖等，它們都是由人工智慧名片驅動的應用程序。

2、商品推薦

現在，人工智慧名片已經成為零售購物行業領域的重要組成部分，它可以為消費者提供個性化的服務，展示他們最有可能購買的商品。當消費者登陸到一個購物網站，他們點擊產品頁面並進行購買時，人工智慧名片就可以存儲數據並從中進行學習，因此它可以確定消費者的偏好。這樣，在這些消費者下次訪問同一家購物網站時，網站就可以展示與消費者偏好高度相關的商品，而不是從網站上隨機挑選與潛在客戶沒有共鳴的商品。此外，人工智慧名片收集的數據還可以幫助電商平台定製各種提醒和信息，讓顧客了解他們喜歡的商品和活動。

目前，大部分的購物網站都不同程度地集成了人工智慧名片推薦演算法，包括京東、淘寶、天貓等平台首頁的個別位置、購物車以及支付完成頁面顯示的商品都是演算法推薦的結果。

3、聊天機器人

對於大部分服務型行業來說，需要會為客戶提供7*24小時的不間斷服務。但有一個問題，為了確保客戶的疑問不分晝夜地得到解答，就需要聘請更多的專業客服輪班工作，這意味著要投入更多的成本。在這種情況下，人工智慧名片聊天機器人就派上了用場。對一些公司來說，聊天機器人是回答客戶問題最便宜的方式之一，即便是在工作時間。

4、智能語音客服

你能想到嗎？你撥打的客服電話很有可能就是人工智慧名片接的。現在，智能語音客服可以代替人工客服回答撥打服務熱線的客戶的問題。在以前，這種後台語音電話的分工是由電腦語音來引導用戶選擇服務內容，而個性化的問題都由人工客服來處理。但是隨著人工智慧名片技術的快速發展，現在已經有很大一部分的個性化內容可以由人工智慧名片來進行回答和解決了。

當然，這種智能語音客服確實是節省了很多的人工成本，但在從某種角度上也降低了電話騷擾和電話詐騙的門檻和難度。相信一些人遇到過這樣的困擾，有時會接到一類騷擾電話，在接聽時會有一個聲音自顧自推銷產品，而且這一通話過程中是無法被打斷的。其實這類人工智慧名片語音是一段錄好的語音，還有一些的會根據回復產生的關鍵字索引到一些指向性的錄音進行回話，這給人們的生活帶來了很多困擾。

5、智能個人助理

在互聯網出現之前，企業管理者必須通過不斷地閱讀書籍或要求他的員工去掌握和了解他們未知的事情。幾年後，企業管理者可以使用網路、360或者必應這樣的搜索引擎，通過在搜索框中鍵入關鍵詞來進行搜索查詢。

如今，人們在網上搜索的方式已經可以通過語音搜索達到另一個層次。通過詢問他們的人工智慧名片個人助理，就可以立即得到關於問題的答案。目前，常見的智能助理包括蘋果的Siri、華為小藝以及小米的小愛同學等。

以蘋果的人工智慧名片個人助理Siri為例。這個人工智慧名片應用程序能夠識別聲音，並將其轉換成文本，並執行命令。作為一名個人助理，它不僅對查詢有用。你可以使用Siri向客戶發送電子郵件或查看你自己當天的日程安排。只要發音清晰，就可以在幾秒鍾內得到你詢問的答案。

6、投資組合管理

投資股票或外匯是一種屢試不爽的賺錢方法。雖然有風險，但如果了解它是如何運作的，這是最好的賺錢方式之一。對於投資組合經理來說，了解市場趨勢並在投資客戶的資金時確定哪種選擇是最好的是至關重要的。正因為如此，世界上許多大銀行都在使用人工智慧名片，因為它帶來的准確性和便利性。過去需要投資組合經理花幾天時間做研究的事情，現在可以用人工智慧名片軟體在幾分鍾內完成。

寫在最後：

方便、准確和效率是企業選擇將人工智慧名片集成到業務流程中的一些主要原因。隨著技術的不斷發展，人工智慧名片可以處理越來越多的流程，從而使用戶能夠從生產力、收入的提高，以及他們整體經營業務的方式中獲益。

⑵ 2020京東雙11商家可以得到哪些扶持

1、店鋪賽馬

店鋪賽馬是為消費者篩選優質店鋪的平台營銷工具。優質店鋪有機會通過提報賽馬活動，層層晉升獲得更多會場曝光機會。本次11.11賽馬活動的權重指標，包括但不限於店鋪入倉訂單佔比、商家開播場次、預售定金支付率、店鋪銷售額產出、廣告費用投入等。

賽馬權重指標排名的高低，將結合全站個性化推薦演算法，共同決定店鋪在會場賽馬坑位的曝光排序，並在主會場以及爆品會場品類下的賽馬樓層中應用。

2、商品價格力

為提升大促活動效果，11.11將應用「商品價格力」工具為消費者推薦價格更實惠的商品。價格力系數的大小，可反映商品優惠力度的高低，該系數將影響商品在首頁推薦、大促會場等平台公域曝光的權重，該工具適用於所有參與11.11活動的自營和POP商品。

商品價格力的高低將參考校驗期最低標價，最低成交價和全網銷售最低價。有關「商品價格力」的具體校驗方式，請參考後續規則內容。

3、商品打標

商品打標是指對報名且符合大促要求的商品進行標記。本次11.11 商談轎品打標門檻包括商品好評率、商品動銷率、店鋪風向標、店鋪交易糾紛等多項指標要求。不同品類對打標門檻的要求不同，商家可登錄商家後台-活動報名-行業活動，選擇報名參與打標。

本次11.11的POP打標商品將自動開啟15天價保，商家亦可自行設定15天以上的價保周期。此外，打標商品享有11.11專屬的視覺氛圍包裝，推薦、會場公域流量支持。為進一步提升11.11 打標商品的商詳轉化率，鼓勵 11.11打標商品同時報名「優惠指引」標簽，屆時該商品的大促商詳腰帶將自動展示到手價信息，為消費者提供更直觀的價格信息。有關打標報名要求請參考後續規則。

4、店鋪裝修

店鋪裝修是大促會場與商家含哪肆店鋪的連接紐帶。對於商家來說，大促承接頁是引導活動流量的重要入口，在主會場/部分集團分會場，事業部品類會場的店鋪入口內享受優先曝光，且由於用戶產生購買的前提是基於店鋪承接頁的瀏覽，經營好大促承接頁對店鋪的流量轉化至關重要。

本次11.11平台優化了個性化商品組件功能，致力於為商家創造更快捷更高效的自動化組件，從而實現銷售的增長。為更好地獲取流量，建議商家在10月中旬即可開啟店鋪裝修。

參考來源：京東2020年雙11的活動機制是？商家可以得到哪些扶持？

如果想找跟電商相關工具、平台最新規則、熱門資訊可以看去店小魚電商賣家助手

或店小魚知乎主頁，希望能對各位緩悄有益，有什麼不清楚的，歡迎大家加入店小魚賣家群一起交流，共同成長！

⑶ 模仿的價值

上次提到產品模仿和結構性模仿，催生了一種產物叫商業模式。

企業在特定的國家或者地域的行業內展開活動，從外部帶來的事物，即使這些事物已經存在於其他地方，但是對該行業來說，還是新鮮的事物。這就好比我國互聯網產業，在移動互聯網興盛之前，基本上在我國內的互聯網公司的商業模式都模仿國外，也認美國矽谷為產業發動機，對標美國。拿風投之前，投資人會問你為什麼你能模式能成功呀？然後你只要說美國有成功案例，基本上你成功一半了。

模仿國外成功的商業模式，引入國內進行重組設計，也叫創新，行業先驅者，這些先驅者帶來了早期行業的繁榮，奠定了行業的蓬勃發展，是令人敬佩的。 無論是日本的7-11，豐田汽車，國內早期的互聯網三大門戶網站，網路，淘寶等等，無一例外都取得了矚目的成績。基本上在產業早期，在具備兩大條件的基礎之上，模仿成功的商業模式是最便捷的一條路了。 有人問哪兩大條件呢，昊澤君認為： 1. 行業還沒有充分發展2. 足夠大的人口基數   

所以昊澤君跟很多朋友說過類似的話：「你如果真的不知道該怎麼辦的話，那就模仿跡攜吧，被模範對象做了什麼你也做，只要有足夠的用戶基數和消費者基數，大概率不會死」。  

話說到這里，有的朋友就可能會不認同昊澤君說法，你們可能會說，如果都是模仿的話，那就沒有創新，沒有競爭力，更不用說有長期的發展。 這句話說得在理，昊澤君很認同單純的模仿不會有長期的產業價值。 不過，昊澤君想表達以下兩個觀點：

1. 行業沒有充分發展，市場足夠大： 沒有任何一家公司能夠在某個領域吃了所有的市場份額，市場機制絕不允許，另外行業沒有充分發展，說明你看到了機會提前入局，在前期試錯成本不會很大，重要的是你還有時間，並且只要你不作死的去創造所謂的創新模式，活下來是沒問題的。

2. 模仿中的創新：單純的模仿的確很難有競爭力，但是如果我們既模仿了成功的商業模式，又根據自身和實際市場的特性做了創新性的變革，哪怕是微改變，都足以讓你更加成功。 比如 7-11當時根據日本市場的特性做了品類的變化；豐田創造了Just In Time 的生產機制；京東革命性的發展自主物流；瑞幸咖啡利用移動互聯網的特性主攻外賣市場，通過移動互聯網的玩法彎道超車；今日頭條創造性的推出了自己的推薦演算法，通過演算法做信息分發，實現彎道超車等等成功案例， 大家都可以去總結一下，類似的現象姿州和，類似跡盯的商業模式，但是做得成功的，一定是根據實際情況做了變動，並且通過共同點發現了內在的規律，發現了本質，通過構建新的結構進行本質轉移，產生新的商業模式，實現了更長期的應用價值。

就這么兩點，大家可以留言互動談談自己的見解。

⑷ 京東推薦優惠怎麼來的

京東個性化推薦演算法。
京東通過個性化推薦演算法向用戶展示的一種優惠活動。京東會根據用戶的購買記錄、搜索記錄、瀏覽記錄等行為數據，分析用戶對商品的答握喜好和偏好，從而向用戶推薦相關的商品和優惠活清皮慶動。
京東個性化推薦演算法數據其主要來源於用戶在京東平台的歷史購買行為、搜索行為、瀏覽行為、評論行為等多種數握腔據。

⑸ 深度學習在京東、美團、淘寶等網購平台有哪些用武之地

開發推薦演算法，預測你需要什麼產品，喜歡什麼產品
大數據殺熟，知道你一定會用他所以提高服務費用
生成用戶畫像，收集個人的生活狀況和各種信息
風險預測，對有風險的交易提前

⑹ Amazon的推薦演算法是否特別優秀

現在在京東、易迅、亞馬遜等看到的主流推薦演算法，一般都是基於物品自身相似性（不依賴於用戶數據，沒有冷啟動問題）、基於用戶瀏覽、喜歡、購買等數據的協同過濾推薦（用戶緯度和商品緯度）。
其實這些推薦演算法的核心思路，是很樸素的。
一、基於物品自身相似度：例如衣服A和衣服B，對於它們在分類、價格段、屬性、風格、品牌定位等等其他屬性緯度的表現，來計算它們之間的相似度，如果相似度高，那麼在有用戶瀏覽A的時候，就可以推薦B（實際當然沒這么簡單）。因為衣服的這些屬性是不依賴於用戶的，所以解決了系統的冷啟動問題，正是不依賴與用戶的行為數據，因此比較死板，完全沒有個性化的推薦。這個演算法的思路很多人都清楚，但是越是簡單的演算法，要達到好的效果就越是難，特別是推薦這種轉化率非常低的演算法。商品有幾十個屬性，對不同分類的商品，並不是所有的屬性都是有必要納入相似度計算的，已經納入的屬性但是重要性也是有區別的，這樣一來，光光給不同類別商品篩選必要屬性以及設置這些屬性在相似度計算中的權重值，就是一項非常浩大的工程了。亞馬遜的推薦系統在全球行業中也是最早的，相信他們在這個問題上肯定有自己一套迅速有效的方法。當然要我來說具體是怎麼樣的，我怎麼可能知道呢^_^，知道了也不告訴你。
二、基於用戶緯度的協同過濾：採集用戶的購買（瀏覽、收藏都行）商品數據，把用戶購買的商品列出來，當作用戶的屬性緯度。例如用戶A購買了商品1、2、3、4、5，用戶B購買了商品1、2、5、6，那麼可以簡單的將12345和1256分別作為A和B的屬性特徵字元串，計算A和B的相似度，經過簡單的聚類將用戶聚成幾個類別（鄰居）。假設A和B同屬於一個聚類，那麼可以稱A和B有比較相似的偏好，繼而可以將A買過而B沒買過的其他商品推薦給B。在這一個流程里，可以發揮的地方有很多：1、用戶的行為數據需要去噪音（買了多少商品以下的用戶不考慮，有代購的不考慮，如何精準的判斷代購，商品時效性的考慮，數據的時間跨度等等）；2、計算相似度的時候跟第一點中提到的一樣，並不是所有商品對用戶的描述度都是一樣的。可能價格低的重要程度就沒有昂貴的商品重要。3、通過聚類計算鄰居的時候，聚類演算法又是另一門學科了，或者選擇分類演算法。然後聚類的門檻選擇都是需要很長時間的測試、觀察、修改的，需要時間的積累。4、瀏覽、購買、收藏等歷史數據是不是可以協同過濾。現在很多網站給出的推薦，都不是單一推薦演算法的，一個演算法的輸出可以作為另一個演算法的輸入，可以是多個演算法的輸出綜合篩選，這也是一個需要長時間積累的地方。

⑺ 推薦系統產品和演算法概述丨產品雜談系列

本文主要是對最近所學的推薦系統的總結，將會簡單概述非個性化範式、群組個性化範式、完全個性化範式、標的物關聯標的物範式、笛卡爾積範式等5種常用的推薦範式的設計思路。

許多產品的推薦演算法都依賴於三類數據：標的物相關的描述信息（如推薦鞋子，則包括鞋子的版型、適用對象、材質等信息、用戶畫像數據（指的是用戶相關數據，如性別、年齡、收入等）、用戶行為數據（例如用戶在淘寶上的瀏覽、收藏、購買等）。這三類數據是推薦模型的主要組成部分，除此之外一些人工標注的數據（例如為商品人工打上標簽）、第三方數據也能夠用於補充上述的三類數據。

服務端在有以上數據的基礎上，就可以從三個維度進行推薦：

根據個性化推薦的顆粒度，我們可以將基於用戶維度的推薦分為非個性化推薦、群組個性化推薦及完全個性化推薦三種類型。

非個性化推薦指的是每個用戶看到的推薦內容都是一樣的 在互聯網產品中，我們最常見的非個性化推薦的例子是各種排行榜，如下圖是酷狗音樂的排行榜推薦，通過各個維度計算各類榜單，不管是誰看到這個榜單，上面的排序和內容都是一致的。

群組個性化推薦指的是將具有相同特徵的用戶聚合成一組，同一組用戶在某些方面具備相似性，系統將為這一組用戶推薦一樣的內容 。這種推薦方式是很多產品進行用戶精細化運營時會採用的方式，通過用戶畫像系統圈定一批批用戶，並對這批用戶做統一的運營。例如音樂軟體的推薦播放，若以搖滾樂為基準將一批用戶聚合成組，則為這些用戶提供的每日推薦歌單是相同的內容和順序，但與另一組愛聽民謠的用戶相比，兩組用戶看到的每日推薦內容將是不同的。

完全個性化指的是為每個用戶推薦的內容都不一樣，是根據每一位用戶的行為及興趣來為用戶做推薦，是當今互聯網產品中最常用的一種推薦方式 。大多數情況下我們所說的推薦就是指這種形式的推薦，例如淘寶首頁的「猜你喜歡」就是一個完全個性化的推薦，千人千面，每個人看到的推薦尚品都不一樣。

完全個性化可以只基於用戶行為進行推薦，在構建推薦演算法時只考慮到用戶個人的特徵和行為 ，不需要考慮其他用戶，這也是最常見的內容推薦方式。除此之外， 還可以基於群組行為進行完全個性化推薦，除了利用用戶自身的行為外，還依賴於其他用戶的行為構建推薦演算法模型 。例如，用戶屬性和行為相似的一群用戶，其中90%的用戶買了A商品後也買了B商品，則當剩下的10%用戶單獨購買B商品時，我們可以為該用戶推薦商品A。

基於群組行為進行的完全個性化推薦可以認為是全體用戶的協同進化，常見的協同過濾、基於模型的推薦等都屬於這類推薦形式。

基於標的物的推薦指的是用戶在訪問標的物詳情頁或者退出標的物詳情頁時，可以根據標的物的描述信息為用戶推薦一批相似的或者相關的標的物，對應的是最開始提到的「標的物關聯標的物範式」 。如下圖酷狗的相似歌曲推薦，

除了音樂產品外，視頻網站、電商、短視頻等APP都大量使用基於標的物維度的推薦。如下圖便是YouTube基於標的物關聯標的物的推薦。在YouTube上我觀看一個周傑倫的音樂視頻時，YouTube在該頁面下方為我推薦更多與周傑倫有關的視頻。

基於用戶和標的物交叉維度的推薦指的是將用戶維度和標的物維度結合起來，不同用戶訪問同一標的物的詳情頁時看到的推薦內容也不一樣，對應的是開頭提到的笛卡爾積推薦範式。 拿酷狗音樂對相似歌曲的推薦來舉例，如果該推薦採用的是用戶和標的物交叉維度的推薦的話，不同用戶看到的「沒有理想的人不傷心」這首歌曲，下面的相似歌曲是不一樣的。拿淘寶舉例的話，一樣是搜索「褲子」這一關鍵詞，不同的人搜索得到的搜索結果和排序是不同的，可能用戶A搜索出來優先展示的是牛仔褲，而用戶B優先展示的是休閑褲，淘寶將結合搜索關鍵詞與用戶個人的歷史行為特徵展示對應的搜索結果和排序。

對於基於笛卡爾積推薦範式設計的推薦系統來說，由於每個用戶在每個標的物上的推薦列表都不一樣，我們是沒辦法是先將所有組合計算出來並儲存（組合過多，數量是非常巨大的），因此對於系統來說，能否在用戶請求的過程中快速地為用戶計算個性化推薦的標的物列表將會是一個比較大的挑戰，對於整個推薦系統的架構也有更高的要求，因此在實際應用中，該種推薦方式用的比較少。

非個性化範式指的是為所有用戶推薦一樣的標的物列表，常見的各種榜單就是基於此類推薦規則，如電商APP中的新品榜、暢銷榜等。排行榜就是基於某個規則來對標的物進行排序，將排序後的部分標的物推薦給用戶。例如新品榜是按照商品上架的時間順序來倒序排列，並將排序在前列的產品推薦給用戶。而暢銷榜則是按照商品銷量順序降序排列，為用戶推薦銷量靠前的商品。

根據具體的產品和業務場景，即使同樣是非個性化範式推薦，在具體實施時也可能會比較復雜。例如在電商APP中暢銷榜的推薦可能還會將地域、時間、價格等多個維度納入考慮范圍內，基於每個維度及其權重進行最終的排序推薦。

大部分情況下，非個性化範式推薦可以基於簡單的計數統計來生成推薦，不會用到比較復雜的機器學習演算法，是一種實施門檻較低的推薦方式。基於此，非個性化範式推薦演算法可以作為產品冷啟動或者默認的推薦演算法。

完全個性化範式是目前的互聯網產品中最常用的推薦模式，可用的推薦方法非常多。下面對常用的演算法進行簡單梳理。

該推薦演算法只需要考慮到用戶自己的歷史行為而不需要考慮其他用戶的行為，其核心思想是：標的物是有描述屬性的，用戶對標的物的操作行為為用戶打上了相關屬性的烙印，這些屬性就是用戶的興趣標簽，那麼我們就可以基於用戶的興趣來為用戶生成推薦列表。還是拿音樂推薦來舉例子，如果用戶過去聽了搖滾和民謠兩種類型的音樂，那麼搖滾和民謠就是這個用戶聽歌時的偏好標簽，此時我們就可以為該用戶推薦更多的搖滾類、民謠類歌曲。

基於內容的個性化推薦在實操中有以下兩類方式。

第一種是基於用戶特徵標識的推薦。
標的物是有很多文本特徵的，例如標簽、描述信息等，我們可以將這些文本信息基於某種演算法轉化為特徵向量。有了標的物的特徵向量後，我們可以將用戶所有操作過的標的物的特徵向量基於時間加權平均作為用戶的特徵向量，並根據用戶特徵向量與標的物特徵向量的乘積來計算用戶與標的物的相似度，從而計算出該用戶的標的物推薦列表。

第二種是基於倒排索引查詢的推薦。
如果我們基於標的物的文本特徵（如標簽）來表示標的物屬性，那麼基於用戶對該標的物的歷史行為，我們可以構建用戶畫像，該畫像即是用戶對於各個標簽的偏好，並且對各個標簽都有相應的偏好權重。

在構建完用戶畫像後，我們可以基於標簽與標的物的倒排索引查詢表，以標簽為關鍵詞，為用戶進行個性化推薦。

舉個粗暴的例子，有歌曲A、B、C分別對應搖滾、民謠、古風三個音樂標簽，我聽了歌曲A、B，則在我身上打了搖滾和民謠的標簽，又基於我聽這兩個歌曲的頻率，計算了我對「搖滾」和「民謠」的偏好權重。
在倒排索引查詢表中，搖滾和民謠又會分別對應一部分歌曲，所以，可以根據我對搖滾和民謠的偏好權重從查詢表中篩選一部分歌曲並推薦給我。

基於倒排索引查詢的推薦方式是非常自然直觀的，只要用戶有一次行為，我們就可以據此為用戶進行推薦。但反過來，基於用戶興趣給用戶推薦內容，容易局限推薦范圍，難以為用戶推薦新穎的內容。

基於協同過濾的推薦演算法，核心思想是很樸素的」物以類聚、人以群分「的思想。所謂物以類聚，就是計算出每個標的物最相似的標的物列表，我們就可以為用戶推薦用戶喜歡的標的物相似的標的物，這就是基於物品的協同過濾。所謂人以群分，就是我們可以將與該用戶相似的用戶喜歡過的標的物(而該用戶未曾操作過)的標的物推薦給該用戶，這就是基於用戶的協同過濾。

常見的互聯網產品中，很多會採用基於標的物的協同過濾，因為相比之下用戶的變動概率更大，增長速度可能較快，這種情況下，基於標的物的協同過濾演算法將會更加的穩定。

協同過濾演算法思路非常簡單直觀，也易於實現，在當今的互聯網產品中應用廣泛。但協同過濾演算法也有一些難以避免的問題，例如產品的冷啟動階段，在沒有用戶數據的情況下，沒辦法很好的利用協同過濾為用戶推薦內容。例如新商品上架時也會遇到類似的問題，沒有收集到任何一個用戶對其的瀏覽、點擊或者購買行為，也就無從基於人以群分的概念進行商品推薦。

基於模型的推薦演算法種類非常多，我了解到的比較常見的有遷移學習演算法、強化學習演算法、矩陣分解演算法等，且隨著近幾年深度學習在圖像識別、語音識別等領域的進展，很多研究者和實踐者也將其融入到推薦模型的設計當中，取得了非常好的效果。例如阿里、京東等電商平台，都是其中的佼佼者。

由於該演算法涉及到比較多的技術知識，在下也處於初步學習階段，就不班門弄斧做過多介紹了，有興趣的朋友可以自行進行學習。

群組個性化推薦的第一步是將用戶分組，因此，採用什麼樣的分組原則就顯得尤為重要。常見的分組方式有兩種。

先基於用戶的人口統計學數據（如年齡、性別等）或者用戶行為數據（例如對各種不同類型音樂的播放頻率）構建用戶畫像。用戶畫像一般用於做精準的運營，通過顯示特徵將一批人圈起來形成同一組，對這批人做針對性的運營。因為前頭已經提到此演算法，這里不再重復介紹。

聚類是非常直觀的一種分組思路，將行為偏好相似的用戶聚在一起成為一個組，他們有相似的興趣。常用的聚類策略有如下兩類。

標的物關聯標的物就是為每個標的物推薦一組標的物。該推薦演算法的核心是怎麼從一個標的物關聯到其他的標的物。這種關聯關系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基於其他維度的關聯（例如互補品，羽毛球拍和羽毛球）。常用的推薦策略是相似推薦。下面給出3種常用的生成關聯推薦的策略。

這類推薦方式一般是利用已知的數據和標的物信息來描述一個標的物，通過演算法的方式將其向量化，從而根據不同標的物向量之間的相似度來急速標的物之間的相似度，從而實現相識標的物的推薦。

在一個成熟的產品中，我們可以採集到的非常多的用戶行為，例如在電商平台中，我們可以手機用戶搜索、瀏覽、收藏、點贊等行為，這些行為就代表了用戶對某個標的物的某種偏好，因此，我們可以根據用戶的這些行為來進行關聯推薦。

例如，可以將用戶的行為矩陣分解為用戶特徵矩陣和物品特徵矩陣，物品特徵矩陣可以看成是衡量物品的一個向量，利用該向量我們就可以計算兩個標的物之間的相似度了，從而為該用戶推薦相似度高的其他產品。

再例如， 採用購物籃的思路做推薦，這種思路非常適合圖書、電商等的推薦 。 以電商為例，我們可以把用戶經常一起瀏覽(或者購買)的商品形成一個列表，將過去一段時間所有的列表收集起來。對於任何一個商品，我們都可以找到與它一起被瀏覽或者購買的其他商品及其次數，並根據次數來判斷其關聯性，從而進行關聯推薦。

我們可以對用戶進行分組，同樣，我們也能夠對標的物進行聚類分組。通過某位參考維度，我們將一些列具有相似性的標的物分成一組，當我們為用戶進行推薦的時候，便可以將同一組內的其他標的物作為推薦對象，推薦給用戶。

笛卡爾積範式的推薦演算法一般是先採用標的物關聯標的物範式計算出待推薦的標的物列表。再根據用戶的興趣來對該推薦列表做調整（例如根據不同興趣的權重重新調整推薦列表的排序）、增加（例如基於個性化增加推薦對象）、刪除（例如過濾掉已經看過的），由於其復雜程度較高在實際業務場景中應用較少，這邊不再詳細介紹。

好了，本次的介紹就到此為止了。本次主要是做了一個非常簡單的推薦演算法概述，在實際的業務場景中，還經常需要與產品形態或者更多的未讀（如時間、地點等）相結合，是一個很有意思的領域，有興趣的朋友可以進一步了解。

⑻ 國內電子商務網站所運用的推薦技術有什麼什麼基於內容的、知識的、協調過濾，具體點，最好有截圖，謝謝

凡客的推薦系統做的比較好，因為主要經營服裝產品，所以主要採用協同過濾推薦演算法，例如「瀏覽該產品的用戶都購買了什麼」「購買過該商品的用戶還購買了什麼」；
京東商城有猜你喜歡，應該是基於瀏覽記錄和消費記錄的商品內容採用基於內容過濾的推薦演算法實現的，但是協同過濾還是主要的；
亞馬遜、當當這類主要經營書籍的購物平台在個性化推薦中，根據用戶的搜索內容、瀏覽記錄、消費記錄採用基於內容過濾的推薦演算法，還有就是基於關聯規則的推薦，推薦相關書籍給用戶；
視頻網站土豆網的個性化推薦做得比優酷人性化。不用登陸即可記錄用戶的瀏覽記錄，根據歷史瀏覽內容向用戶推薦相關視頻，一般同導演相關或者同演員相關。優酷和土豆的共同點是還是把協同過濾當做重點，「瀏覽過該影片的用戶還喜歡看」。
在推薦系統當中，個性化推薦和共性推薦都很重要。每個電商網站一定有共性推薦的部分，例如最近商品、熱門商品，還有一些基於共性消費模式的關聯推薦。
希望都你有所幫助。

⑼ Hulu的推薦演算法課程（7月15號發布）

最近，Hulu又推出了推薦演算法課程，關鍵是免費的，太良心了有沒有。平常動輒幾百幾千的小象學院的課程，現在統統不要錢。我聽了第一節，感覺實用性很強，肯定不會有很深入的講解，適合學生和想入場推薦系統的演算法工程師來學習。同時Hulu提供了幾道推薦演算法的面試題，大家可以體會一下。

第一節課主要講了幾種基礎的推薦演算法模型（協同過濾，因式分解機，邏輯回歸，提升樹）

推薦演算法在使用場景有：

1 視頻網站，推薦視頻（例如hulu，抖音等）

2 網購網站，推薦商品（例如京東，淘寶，Amazon）

3 新聞網站，推薦新聞（例如今日頭條）

推薦演算法的基礎假設：

1 信息過載

2 用戶不確定自己想看的內容

協同過濾演算法是一種上下文無關的推薦演算法

它的初衷是用戶的歷史和未來趨勢保持一致

協同過濾演算法有兩種：基於用戶的推薦演算法和基於物品的推薦演算法

基於用戶的推薦演算法：通過找到類似的用戶，從而做推薦

基於物品的推薦演算法：通過購買或者點贊的產品從而做推薦

好處:

簡單，可解釋性強

缺點：

需要佔用存儲（維護矩陣），稀疏矩陣問題

上下文無關的推薦演算法

初衷：發現高維特徵

進一步完善矩陣分解：

u表示平均打分在目錄中

表示商品間的打分差異

表示用戶的打分差異

優點：

更泛化性（即使兩個用戶沒斗扮有給相同商品打分），節約存儲空間（只需要保存兩個低維向量）

缺點：

不好解釋；更加稀疏

初衷：增加上下文信息到模型，把推薦系統作為一個分類問題來解決

用戶，商品，上下文信息可以被轉化為分類變數（比如性別，時間區間等）

最後加入sigmoid函數映射到0-1空間中。

好處：可解釋性比較強；可以並行快速訓練；訓練開銷比較低；可以在線訓練

缺點：需要特徵工程；模型的表達能力差

初衷：考慮到特徵間的交叉

)

好處：表達能力比較強；很好泛化能力了；相對低的訓練開銷

缺點：做更高層的特徵交叉比較難

提升樹是基於Boosting的原理：使用多個弱分類器串列成集成分類空拿灶器

提升樹演算法是通過集合多個決策樹而得到的

第一道：從基於用戶的協同過濾和基於物品的協同過濾的原理思考，下列場景中使用哪種協同過濾演算法更加適合？為什麼？

（1）新聞資訊推薦

新聞網站更適用於基於用戶的協同敏橘過濾演算法，興趣相似的用戶關注的新聞相似的概率比較大。

（2）電商網站推薦

電商網站更適用於基於物品的協同過濾演算法，使用用戶關注或者購買過的物品可以更精準推薦他未來購買的物品。

第二道：為什麼邏輯回歸模型在工業界受到了廣泛應用？LR相對於其他的模型，尤其是GBDT模型，突出的優點是什麼？

邏輯回歸可解釋性強，並且可以在線計算。相對於GBDT串聯型結構，LR可以並行，所以得到工業界的歡迎。

第三道：為什麼說提升樹模型（GBDT)難以並行化？從Boosting方法的角度上給出簡單的解釋。

Boosting是通過不斷增加新的模型預測，這種方式是無法並行化操作。

出自：世相科技

歡迎點贊支持

⑽ 梁寧產品思維筆記+心得 - 第11課 兩套經典的用戶畫像

模型：如果有一片草地，我就在草地上養羊，所以我先要有第一隻羊。 如果這一隻羊能夠在草地上活下來，那麼草地就是沒問題的，就可以引入更多的羊。 羊多了，你就會發現頭羊才是關鍵的，因為一隻頭羊可以管一大堆羊，你就不用管了。只要有頭羊，羊群就可以聚集。 羊多了就會有狼，狼多了，我就把羊圈起來，然後向狼收費。

幾乎所有的互聯網社區，都是按照這個場景和用戶描述去做的。

首先要有第一隻羊，第一隻羊是最關鍵的角色。（第一個種子用戶）如果它走了，則說明你的產品有問題，你要回去接著打磨自己的產品。如果這只羊在這里過得很好、玩得很開心，它得到了即時滿足；這時可以引入更多羊，也就是產品可以推廣了。

第二個關鍵角色是頭羊。整個生態發展到最後，最核心的就是頭羊。 整個企業的資源核心就是要去維護頭羊，只要有頭羊就會有羊群。有時候小羊叫一叫表示不滿，我們根本不用管，因為企業資源有限。

論壇的版主、YY公會的老大、微博的大V、重度用戶、淘寶的店主，這些都是頭羊。當你的草地上出現了頭羊，頭羊開始自己管羊群的時候，這就代表了自組織的開始，開始擁有了網路效應。

當你要評估一個產品或者一家公司的網路效應有多大梁散逗時，一個非常簡單的評估方式就是數一數它有多少頭羊。網路貼吧有多少版主，就至少有多少頭羊；淘寶上有多少賣家，就有多少頭羊。按照這個標准來看，網路貼吧和淘寶，它們的網路效應是巨無霸級的。

什麼是狼？

對於B2C的企業來講，如果你是向B端收費，那其實狼就是B端。比如說像京東、淘寶，其實它們都是向上游掙錢的，所以商家是狼。

Who is 大明？

大明有什麼特點？大明對自己的需求非常了解、非常清晰。

比如說男人買襯衫、男人買3C產品就是大明。因為他對他要的東西是非常清晰的，他要尋找的核心是價格或者硬貨。這個時候，網站的頁面做得再漂亮、格調再高雅，如果產品價格不好，大明不會買賬。 所以互聯網產品中，大明最依賴的工具是搜索，因為他對自己主動要找的東西是非常清晰的。

京東其實就是定位於服務大明的，所以標准品的競爭幾乎都是京東贏。為什麼？因為大明用戶極其簡單，他要乾的事情就是兩件：一、搜索自己要的；二、比價格。京東的體量優勢越來越大，對供應鏈的擠壓能力越來越強，所以它服務大明用戶的能力就越來越強。現在一些B2C品類暫時還有機會，其實是京東的火力還沒有擴展到那裡。標准品的電商，只要是京東來做，根本不需要精細化的運營就能夠壓倒其他的商家，因為大明用戶要的是價格和效率。

大明用戶還有一個橡賣特點，他沒有忠誠度。易到用車的創始人周航有一個朋友跟他說：「我對你的忠誠度就是10塊錢。用易到和用其他的打車軟體，如果差價是10塊以內，那我就選易到。但如果說差價超過10塊，不好意思，誰便宜我選誰。」這就是大明用戶。

Who is 笨笨？

笨笨的特徵是什麼？就是我有大概的需求，但是還沒有那麼明確。

你掘纖問女生她想要一條什麼樣的裙子，她真的不知道，得看、挑選、比較。京東是服務大明的，那麼App小紅書就是一個經典的服務笨笨的應用。我們來比較這兩個的區別是什麼。京東有一個很強的產品目錄檢索，小紅書沒有這個功能。而且小紅書搜索任何一個結果都會出一大堆產品，你想要用關鍵詞過濾掉？做不到。為什麼？故意的。因為女孩兒的目的不是要有效率地、快速地找到自己要的東西，而是想東看看、西看看，看得多了就會忍不住買一樣。最後買的東西和她最初想要的東西相不相關，這不重要，這就是笨笨用戶。

淘寶，尤其是智能化升級之後的淘寶，更是服務笨笨用戶的。馬雲說淘寶是一個娛樂公司，為什麼？因為每天晚上都有2000萬的女生在淘寶上逛，什麼也不買，就是逛。但是，如果笨笨決定了要買什麼產品，那麼下一秒有70%-80%的概率，笨笨就會變成大明，然後開始去追求價格。

Who is 小閑？

小閑的特徵是什麼？就是我沒有消費需求，我就是來打發時間的。

如果說網路、京東服務大明，淘寶服務笨笨，那麼騰訊其實就是服務小閑的。QQ聊天是因為閑，微信刷朋友圈還是因為閑，你玩游戲依然是因為閑。所以你在任何一個閑的時候，打開騰訊的產品一定可以幫你殺時間。所以騰訊的用戶往游戲和視頻去轉化，轉化率就會非常高，為什麼呢？因為用戶玩游戲也好，看視頻也罷，其實他都是因為閑，是沿著小閑既定的心理需求和行為路徑發展下去，繼續打發時間。但是如果你要讓騰訊的小閑流量轉化為購物的電商，效果就很差，為什麼？因為場景不對。一個人到這來是來打發時間的，如果你突然讓他買東西，他會覺得他心理建設沒做好，他沒有這個預期。

 • 網路服務大明，你要什麼說清楚，我幫你找；

 • 淘寶服務笨笨，沒什麼事你就上來逛吧，有層出不窮的東西給你看；

 • 騰訊服務小閑，閑著沒事的時候，打開騰訊的任何一個產品打發時間。

不管大明、笨笨和小閑其實都是羊，你想服務具體哪種羊，你就要按照大明羊、笨笨羊、小閑羊，三種不同羊的需求，製作你的產品。所以具體到痛點、癢點、爽點，你得讓大明羊、笨笨羊、小閑羊按照他的心理預期，來吃一口你的草，如果吃得開心就再也離不開了。

最後說狼，對於B2C的企業來講，如果你是向B端收費，那其實狼就是B端。比如說像京東、淘寶，其實它們都是向上游掙錢的，所以商家是狼。

那對於騰訊呢？其實騰訊的主要收入來源不是在B端，而是在C端，所以我們可以認為騰訊也會把少量的羊賣給狼，但是它主要是靠剪羊毛成為一家巨大的公司的。

一直是今日頭條的忠實用戶，頭條無疑是服務於小閑用戶的。推薦演算法雖說會讓推的內容越來越狹窄，但是確實是不停地推送自己感興趣的內容給我。比如我喜歡看裝修的文章和帖子，頭條總會推該類內容給我，有的不乏高質量。感覺較爽。同時信息流加大圖的呈現方式，非常容易讓用戶在使用時上癮。

同時很欣賞，每個新聞有一個「不感興趣」的標簽設置。如果用戶設置了該標簽，則不再會推送該類的內容給用戶，起到了糾正推送給用戶內容過窄的問題。