逛-导购商品推荐的探索

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,导购商品推荐的探索,关于逛,电商导购/分享平台,发现,导航类目，标签，品牌，主题等,搜索,推荐,喜欢,收藏、评论、打分、购置、UGC分享商品及购物体验,导购的预期,买家卖家 快速匹配,用户信任感,浏览逛的体验,社区圈子,购物的体验,导购的预期,PV/UV用户数,回访率用户群,跳出率,转换率每笔订单的平均pv,商品推荐需要解决的问题,商品更新,商品质量,商品与买家的匹配度,商品推荐,商品导航,自然排名,马太效应,冷启动问题新商品排名预测,个性化推荐,防spam攻击,商品导航,类目,标签,品牌,主题,其他维度,商品的自然排名,按商品发布的时间排序,新商品在前,满足内容更新的需求，但质量得不到保障,按商品综合得分排序,根底的推荐规那么,根据商品属性、用户行为给商品打分,商品属性：发布时间，类目，标签，品牌等等,用户行为：点击，喜欢，评论，打分，购置,商品的综合得分,计算商品得分,商品属性加权,用户行为数值正规化normalization,通过公式计算得分,马太效应,有者愈有，强者愈强,热门商品会越热门，新商品难被发现,解决方法,补偿，对不利位置的商品进行补偿，或者削弱有利位置的商品因位置的得利,随机，防止单一的得分标准,马太效应,逛目前的做法,直接降权，属于补偿机制的一种,对排名位置靠前的商品定期降权，如对前两页的商品每隔几个小时降权至原来的30%,位置靠后的商品有时机晋升,简单，易实现,商品都是经过小编审核，晋升商品的质量有一定保障,新商品的得分预测补偿,解决商品更新的问题,分页内随机排序,同一页内的商品排序不受得分的限制,冷启动问题,新商品的排名预测,新商品，如发布一天内的商品，缺乏足够的原始数据计算得分,通过机器学习来预测得分,通过计算新商品与老商品的相似度，预测新商品可能的得分值,预测结果的时效性,因为是预测，得分有时效性,预测得分生效一天后需按照实际得分排序,冷启动问题,机器学习的数据准备,类目,标签,品牌,商品标题、描述的分词,冷启动问题,对商品聚类,去除停止词,无效词的向量维度对聚类效果影响大,计算TFIDF向量,复用搜索模块的lucene索引文件创立,分类目进行聚类,根据不同类目的商品特征调整聚类参数,例如：对于商品数较少的类目适当调低聚类结果数目,冷启动问题,对商品聚类,选取聚类中心点,选取每个聚类中得分最高的商品,或者选取聚类的中值点,对聚类中的新商品进行得分预测,根据中心点相似度打分,根据rank打分,冷启动问题,逛目前的做法,选取聚类中得分最高的商品,按照它的得分以及新商品与它的距离对新商品排序,预测新商品得分,指定为某rank位置的得分,得分100,90,80,70,60,50,40,30,20,新商品,老商品top10,10,推荐到top 3,推荐到top 6,推荐到top 9,预测得分85,65,45,个性化推荐,数据积累，收集以下信息,用户行为，点击、收藏、购置等,用户关系,SNS好友,站内好友,达人通过审核的活泼用户，有引导一般用户的作用,构建用户兴趣模型,基于关键字,如用户及好友收藏的商品，感兴趣的标签、品牌等,基于语义,个性化推荐一,Feeds流好友逛,根据用户数据生成,聚合好友的行为形成动态列表,优点,模式成熟、简单,效果也不错,缺点,不够精准,可控性不够,个性化推荐二,用户主动定制的信息聚合,类似rss feeds,定制标签、主题、品牌的商品更新,优点,简单,用户主动行为，推荐效果可以预期,缺点,需要用户主动定制,个性化推荐三,精准推荐,目前正在探索,思路,以用户个性化特征为核心，结合用户圈子构建兴趣模型,基于关键字的,简单易行,防spam攻击,Spam动机,利益,商家：利用推荐规那么是自己的商品获利,活动：比方用户通过spam增加中奖的概率,竞争对手恶意攻击,Spam的影响,无效数据进入推荐系统，影响推荐的质量,防spam攻击,防spam思路,切断不合理利益通道,对用户参与活动的行为进行审核,对商家的行为进行管理,防止恶意攻击,quota limit(ip,user,rate),comment spam:评论相似度,captcha,其他方向的探索,基于语义的个性化推荐,基于语义的用户兴趣模型,站外个性化推荐,EDM，电子邮件营销,Comments?Q&A?,THANKS!,My email:,