认识达内从这里开始

我们在浏览网页和使用许多软件的时候，总会发现系统会给我们推荐许多东西和内容，而且是我们暂时比较感兴趣的内容。这种推荐行为是如何发生的呢？下面，我们就请太原电脑培训的老师来给大家讲解一下，在网页上的推荐功能的识别与计算方法。当然了，如果您想了解这些功能的详细开发和操作方法的话，欢迎与我们的在线咨询老师联系。

下面，我们就开始今天的主要内容吧。一般来说，网络的推荐主要是有以下几种模式的。

1 关联性推荐优于因果性推荐

先解释一下两个指标的含义：

关联性推荐是指用户本身存在某个诉求，通过捕捉到该需求，并向用户推荐相应的商户。关联性推荐进一步分为两类：

通过更便捷的路径来满足既存需求，比如识别到用户已经在某个商户，推荐系统将该商户置顶，并且显示可用优惠，缩短用户出大路径。

将用户打断的需求重新捡起来，例如用户近期搜索了“火锅”，但是并没有形成交易，那么推荐系统为用户推荐火锅的商户。

因果性推荐是指用户本身没有明确需求，推荐让用户无中生有的产生新的需求。

在学术界有个争议就是“关联性推荐”到底算不算推荐，因为他满足的是既存需求，严格意义上并没有创新新的需求，我个人的答案是yes，我们逆向来推，如果不做关联性推荐，用户虽然有既存需求，但是很有可能会流失，或者体验上没有这么流畅。所以我觉得不需要纠结在这一点，我们只需要在意用户觉得推荐准不准，用的爽不爽。

关联性推荐实践

1)识别用户所在商户

如果用户连接了wifi，很容易识别到用户所在的商户，然后将该商户置顶，并且外露商户优惠等信息。在所有的推荐策略里，该策略覆盖面随谈小，但是转化率最高。

还有一种方式，就是在商户详情页增加一个功能，就叫“我想去”，用户点击这个按钮之后，一段时间内，这个商户就可以在首页直接推荐，缩短用户查看路径。

2)识别用户意向到店

通过多种行为方式的组合，可以猜测出用户想去的商户。设想如果你要约一个朋友去吃饭，你会怎么筛选商户呢，一般路径都是先搜索看到感兴趣的商户，然后点进去看详情，包括查看地理位置、推荐菜，如果你点击了商户电话、收藏了商户，或者将这家商户分享到微信，那么你要去这间店的概率就更高了，最后再结合你的地理位置变化，就有极高的概率猜测出你要去哪一家店。

3)用户的实时行为

在这里讲述两个概念，用户的长期偏好和实时偏好，我们常说的用户画像一般都是指用户的长期偏好，例如笔者的长期偏好是日料，但是可能因为最近喜欢一个妹子，但是妹子喜欢火锅，所以我的短期偏好就是火锅。而且通过实践证明，用户的偏好是会随时间衰变的，实时偏好的数据更能表征用户当下的需求，推荐效果也更精准。

实时偏好一般可以通过用户的搜索、导航筛选或者用户浏览来推断，倘若用户没有形成交易闭环，比如购买团购、买单、排号等行为，我们可以假设他的需求没有被满足，可能是没找到合适的店，也可能是需求被别的事情打断了，这个时候我们将用户实时偏好的商户推荐给用户转化率往往比较好。

因果性推荐实践

1)协同过滤算法

包含基于商户的协同过滤和基于用户的协同过滤，其实质就是中国人常说的“物以类聚、人以群分”，前者是根据你喜欢的商户，为你推荐类似的商户，后者是先找到与你口味相似的人，然后推荐他们喜欢的商户。有很多文章讲述二者的区别，这里不做展开赘述，唯一强调一点是，二者虽然推荐方式类似，但是推荐结果仅有50%左右是雷同的，因此在实践中不一定非要二选一，可以将两种策略结合使用，效果更好。

2)用户长期偏好

这里的用户偏好是指用户的长期偏好，非实时偏好，识别出用户的长期偏好后，为期推荐相应的商户。

从实践结果来看，关联性推荐>因果性推荐>补余推荐(附近热门、全程热门)，而且关联性推荐更容易让用户产生一种“推荐很准”的印象，因此建议构建推荐系统的时候，可以重点考虑关联性推荐。

2 所有的喜欢都是熟悉+意外

在我做推荐之初，一直有个疑惑，就是什么才是好的推荐，当时咨询了很多人，大家分成两派，一派觉得好的推荐，就是向我推荐优质的但是我没去过的商户;另外一派觉得好的推荐就是向我推荐我熟悉的店，因为大家平时去的店相对都是固定的，推荐给我陌生的店，我也没兴趣。

这两种意见都有自己的弊端，推新的内容，用户不理解，势必造成数据效果差，但是总是推用户熟悉的东西，会形成马太效应，越推越窄。

原来好的推荐就是在新奇和熟悉之间寻找一个平衡点，如何寻找这个平衡点呢，有几种方式：

从人出发

统计用户过去常去店铺的重复度，如果重复读很低，说明用户相对更喜欢新奇的商户，这时候增大新商户的占比，反之亦然。

从场景出发

一般情况下工作日大家一般倾向于去近一点、熟悉一点的商户，周末大家倾向于去探索一些新奇的商户。

3 推荐理由是提升用户信任的桥梁

向用户推荐的商户，尤其是对用户来说陌生的商户，推荐理由可以降低用户的理解成本，提高信任感。加了推荐理由点击数据不一定能提升(笔者通过AB测试，数据仅提升1%)，但是推荐理由能够提升用户的浏览体验，明白推荐逻辑。

4 推荐的最高境界是让用户产生惊喜

并未刻意寻找的，并未提前期待的，可又是幸运的且意外发现。举两个我碰到的例子，一个是音乐，有一些人可能遇到过这样的一种场景，就是一直听到一首很喜欢的歌，但是就是不知道歌名，然后在网易云音乐听到以后会去评论说我这这首歌好久，终于找到了。网易云音乐专门去挖掘过这样的评论，然后将这些音乐推荐给用户，用户自然就会产生很大惊喜感。另外一个是kindle，一天老大告诉我们，kindle太神奇了，他老婆在读一本书，刚推荐给他，他就发现他的kindle也向他推荐了这本书，我们猜测kindle是通过两人经常在晚上连接相同的wifi来猜测二者的家人关系，然后将一个人喜欢的书推荐给另外一个。

好了，今天就给大家讲这么多吧，喜欢我的内容可以关注或者分享（微信公众平台：tytedu），达内时代科技集团致力于培养面向电信和金融领域Java、C++、C#/.Net、3G/Android、3G/IOS、PHP、嵌入式、软件测试、UID、网络营销、网络工程、会计、UED、web、Unity3D、大数据、童程童美等17大方向中高端软件人才课程与少儿教育课程。选择太原电脑培训，不再孤军奋战，轻轻松松做IT高薪白领。太原达内培训带领有明确目标的学子迈向成功之路!想找工作的求职者可以加QQ：3373924515（太原达内就业服务部）咨询了解。