隨著移動互聯(lián)網(wǎng)的興起，用戶的很多行為逐漸從PC端轉(zhuǎn)向移動端。人們花在手機上的時間越來越多。人們隨時隨地都在使用手機，在你坐車的時候，上廁所的時候，吃飯的時候，甚至在你走路的時候都在用手機，相對于PC端，移動端的特點是屏幕窄，用戶使用的時間呈現(xiàn)碎片化。同時隨著信息量越來越大，人們很難從大量的信息中快速找到自己想要的內(nèi)容。這個體驗是非常差的，如果你是產(chǎn)品經(jīng)理，如果你面臨同樣的問題，接下來要講的內(nèi)容希望對你有所幫助。
推薦引擎是什么？
如果你在亞馬遜上買過書，你可能會碰到這種情況，當你選擇一本書放入購物籃時，它會自動給你推薦其它的書。比如：購買過該書的人還買過XXXX，猜你可能還喜歡XXXX，組合推薦，購買該書還有另外幾本書的組合可以享受一個優(yōu)惠的組合價格。這些使用的都是推薦系統(tǒng)，簡單來說推薦系統(tǒng)就是研究用戶在平臺上的所有行為，對用戶進行人物畫像，以及研究平臺上的內(nèi)容/產(chǎn)品。同時把用戶和產(chǎn)品匹配起來的過程。
推薦引擎的應用范圍？
推薦系統(tǒng)在各個領域有廣泛的應用，比如電商網(wǎng)站、視頻網(wǎng)站、視頻直播平臺、新聞客戶端、文學網(wǎng)站、音樂網(wǎng)站等等。下圖是推薦系統(tǒng)在著名電商網(wǎng)站、視頻網(wǎng)站的一些應用案例及應用效果。
為什么推薦系統(tǒng)能夠在各個領域得到廣泛的應用？
通過目錄或者搜索的方式查找想要的內(nèi)容，在移動終端較小的屏幕上可能需要多次翻屏，查找感興趣的內(nèi)容的成本很高，用戶體驗較差。
通過推薦系統(tǒng)展現(xiàn)給用戶的內(nèi)容，都是用戶感興趣的，而且每個用戶看到的都不一樣，亞馬遜的CEO貝佐斯說過，要讓1000個訪問亞馬遜的用戶看到1000個不同的亞馬遜。
目前用戶的選擇非常多，可選擇的多樣性及時間的碎片化，用戶打開手機，如沒能快速找到感興趣的內(nèi)容，很快就會離開。
個性化推薦技術通過算法進行用戶感興趣的內(nèi)容的精準推薦，幫助用戶快捷發(fā)現(xiàn)感興趣的內(nèi)容，當你看完一個內(nèi)容后，會立馬給你推薦相關的東西，可以增加用戶粘性。
幫助用戶發(fā)現(xiàn)更多優(yōu)質(zhì)的長尾內(nèi)容，一般平臺用戶訪問的只局限在熱門的10%左右的內(nèi)容，很多內(nèi)容永遠沉在數(shù)據(jù)庫中沒有人發(fā)現(xiàn)。
幫助平衡平臺的生態(tài)，避免馬態(tài)效應，熱門的內(nèi)容總是得到更多的爆光，冷門的內(nèi)容從沒機會被關注，使內(nèi)容生產(chǎn)生態(tài)兩極分化。
推薦系統(tǒng)的架構和核心的算法
下面以我之前做過的一個產(chǎn)品為例來講解，在架構上，可能每家在做的時候會有些不同，但用到的一些核心算法，大家應該是差不多的。具體怎么實現(xiàn)，產(chǎn)品經(jīng)理不需要關注這么細，只需要大概了解其中的原理就可以了。
推薦系統(tǒng)中常用到的算法包括用戶偏好算法，協(xié)同過濾算法（item_base，user_base）、關聯(lián)規(guī)則算法、聚類算法、內(nèi)容相似性算法（content_base）,以及一些其它的補充算法。最終分析出來的結(jié)果是以下幾種
根據(jù)用戶偏好算法算出來用戶感興趣的內(nèi)容/產(chǎn)品。然后推薦給用戶
根據(jù)關聯(lián)規(guī)則算法，算出物品間的支持度和置信度。最常見的應用是組合購買，啤酒和尿不濕是非常經(jīng)典的例子了。
item_base是根據(jù)集體用戶行為算出物品間的相似度，然后把與用戶看過的物品或者購買過的物品最相似的物品推薦給該用戶。
聚類算法可以根據(jù)用戶進行聚類，也可以對產(chǎn)品進行聚類。聚類后可以針對大類進行推薦，或者繼續(xù)計算用戶類和產(chǎn)品類之間的關系。
content_base是根據(jù)物品本身的屬性進行關聯(lián)性運算，計算出物品間的相似性，最常見的應用是同類推薦。
user_ba