Desde la era web 1.0 anterior hasta la era 3.0, el objetivo es ofrecer contenido preciso a los usuarios. Según los datos y la comprensión personal, la organización y el resumen del contenido recomendado se pueden dividir en tres pasos: establecimiento preliminar de retratos de usuarios, contenido recomendado basado en estrategias y métodos de presentación razonables y eficientes.
Después de que un nuevo usuario ingresa a la APLICACIÓN, ésta se encuentra en la etapa de inicio en frío. Al obtener la información básica del usuario, como género, edad, ocupación, ciudad, tipo de preferencia, etc., se genera un modelo de usuario. inicialmente establecido. y datos de atributos del usuario. Los pasos de adquisición se denominan incorporación. Al marcar a los usuarios por primera vez, se realizan recomendaciones de contenido iniciales para reducir la irrelevancia del contenido recomendado durante el arranque en frío.
Este paso es solo el primero para saber qué les gusta a los usuarios e impulsar con precisión el contenido que necesitan. Por ejemplo, cuando se recomiendan teléfonos móviles a los usuarios, hay un azul brillante impresionante y un negro brillante estable. Los usuarios pueden decir que el azul es realmente hermoso. Sin embargo, lo que finalmente me llevé fue un teléfono móvil negro. Por tanto, antes de la acción final, el comportamiento del usuario está sesgado hasta cierto punto. En lo que respecta al filtrado de contenido, tomando la aplicación de música como ejemplo, cuando los usuarios seleccionan atributos como los nacidos en los años 90, los niños y el mandarín, es posible que el contenido enviado no logre los resultados esperados en escenarios de uso reales.
En este punto, se necesita el segundo paso, que es mejorar continuamente el modelo de usuario en función de los datos de comportamiento del usuario. Incluyendo, entre otros, datos integrados de front-end, datos de registro de back-end, preferencias de comportamiento, etc.
A través de estos dos pasos, podemos dibujar aproximadamente un retrato de usuario, pero los retratos de usuario son muy dinámicos, por lo que los retratos de usuario también deben aprenderse y mejorarse constantemente. Para conocer los pasos específicos para dibujar retratos de usuarios, consulte la información relevante sobre la construcción de retratos de usuarios.
Hay muchas maneras de recomendar diferentes contenidos a diferentes usuarios. En diferentes tipos de productos, la combinación de aplicaciones también es diferente. A continuación se muestran algunos métodos recomendados comunes.
La recomendación basada en datos demográficos es un método de recomendación de bajo costo que encuentra similitudes entre usuarios basándose en información básica sobre los atributos del usuario y luego recomienda contenido que les guste a usuarios similares.
En este proceso, el sistema construye un modelo para cada usuario basado en los atributos propios de cada usuario. Luego, la similitud se calcula en función de los atributos del usuario. Si ve que el usuario A y el usuario C son similares, pensará que el usuario A y el usuario C son usuarios similares y podrá llamarlos "vecinos". Finalmente, según las preferencias del grupo de usuarios "vecino", se recomienda el contenido correspondiente al usuario actual.
Ventajas: Dado que no es necesario utilizar datos históricos de las preferencias del usuario, se puede solucionar el problema del "arranque en frío" para los nuevos usuarios. Este método no depende de los datos del proyecto en sí, por lo que se puede utilizar en diferentes proyectos y es independiente del dominio.
Desventajas: el método de clasificar a los usuarios según la información de los atributos del usuario es demasiado aproximado, especialmente en campos más verticales, como libros, películas, música, etc., y no puede obtener buenos resultados de recomendación. Cuando el primer grupo de usuarios hace recomendaciones, los datos básicos para clasificar los elementos de contenido se dividen manualmente, lo que tiene un gran impacto en la precisión. Además, cuando se trata de información de contenido que es demasiado sensible o privada, el costo de adquisición es relativamente alto, lo que puede resultar en resultados inferiores a las expectativas del usuario.
La idea central de la recomendación basada en contenido es establecer etiquetas como palabras clave o etiquetas basadas en los metadatos del contenido y establecer las relaciones correspondientes en función de su relevancia. Durante el proceso de distribución de contenido, los atributos de los retratos de los usuarios se utilizan para hacer recomendaciones coincidentes. Aunque este método es demasiado subjetivo, puede modelar muy bien las preferencias del usuario a nivel de contenido. Los usuarios a los que les gusta el rock no aparecerán, por lo que se recomienda como canciones populares. Este método de recomendación se utiliza principalmente en algunas aplicaciones de contenido de información.
Ventajas: fácil de implementar, no requiere datos de atributos del usuario y reduce los problemas de arranque en frío. Según la relevancia del contenido y la dimensión única, no habrá puntos calientes ni impopulares.
Desventajas: la anotación de clasificación manual inevitablemente tendrá defectos en la precisión y amplitud de las recomendaciones, lo que resultará en contenido recomendado inexacto;
Las etiquetas de características extraídas por el sistema deben garantizar la precisión y tener Algunos tienen importancia práctica, por lo que se reducirá la relevancia de los resultados recomendados.
La recomendación basada en el filtrado colaborativo es un método de recomendación ampliamente utilizado en los sistemas de recomendación. Se considera un modelo de uso de la inteligencia colectiva y se basa en la suposición de que "los pájaros del mismo plumaje se juntan". Incluye principalmente tres dimensiones de recomendación: recomendación basada en el usuario, recomendación basada en proyectos y recomendación basada en modelos.
El principio básico de la recomendación de filtrado colaborativo basado en usuarios es encontrar grupos de usuarios "vecinos" similares a las preferencias del usuario actual en función de las preferencias de contenido de todos los usuarios, y hacer recomendaciones para el usuario actual en función de las preferencias de contenido de todos los usuarios. Se recomienda información de preferencia histórica de estos vecinos.
Ventajas: El contenido recomendado puede ser completamente irrelevante, por lo que se pueden descubrir los intereses potenciales del usuario y se pueden generar resultados de recomendaciones personalizados para cada usuario.
Desventajas: la tasa de crecimiento de los usuarios es mucho más rápida que la tasa de crecimiento de los proyectos, por lo que la cantidad de cálculo aumenta considerablemente y el rendimiento del sistema puede convertirse fácilmente en un cuello de botella. Normalmente, los sistemas de filtrado colaborativo basados en el usuario se utilizan junto con otros mecanismos.
Comparación de recomendaciones de filtrado colaborativo basadas en usuarios y recomendaciones basadas en datos demográficos:
Similitud: calcula la similitud de todos los usuarios y calcula recomendaciones basadas en grupos de usuarios "vecinos";
p>
Diferencia: el mecanismo basado en demografía solo considera las características del usuario, mientras que el mecanismo de filtrado colaborativo basado en el usuario puede calcular la similitud del usuario en función de los datos de preferencias históricas del usuario. Su supuesto básico es que los usuarios a quienes les gustan artículos similares probablemente tengan gustos y preferencias iguales o similares.
El filtrado colaborativo basado en elementos es similar al filtrado colaborativo basado en usuarios, que utiliza toda la información de preferencias de los usuarios sobre los elementos para encontrar similitudes entre ellos y luego recomienda elementos a los usuarios según su información histórica de preferencias.
Comparación entre la recomendación de filtrado colaborativo basada en elementos y la recomendación basada en contenido:
Similitud: ambas se basan en la predicción y recomendación de similitud de elementos, pero el método de cálculo de similitud es diferente;
p>
Diferencia: la primera se infiere de las preferencias históricas del usuario, mientras que la segunda se basa en la información de características de atributos del artículo en sí.
¿Cómo elegir entre estrategias de filtrado colaborativo basadas en usuarios y basadas en elementos?
En comparación con las recomendaciones basadas en usuarios, las recomendaciones basadas en proyectos se utilizan más ampliamente y tienen mejor escalabilidad y rendimiento de algoritmo. Debido a que la tasa de crecimiento de los proyectos es generalmente lenta, el desempeño no ha cambiado mucho. La desventaja es que no puede proporcionar resultados de recomendaciones personalizados. Cuando la proporción de usuarios por proyectos es diferente, los principales métodos de recomendación también son diferentes. Número de elementos> número de usuarios, dando prioridad al filtrado colaborativo basado en usuarios; número de elementos
El número de elementos es mucho menor que el número de usuarios, y el número y la similitud de los elementos son relativamente estable; al mismo tiempo, el mecanismo basado en elementos tiene más ventajas que el mecanismo basado en el usuario. Mejor rendimiento en tiempo real. Pero no todos los escenarios son así. En algunos sistemas de recomendación de noticias, la cantidad de elementos, es decir, noticias, puede ser mayor que la cantidad de usuarios y las noticias se actualizan rápidamente, por lo que la similitud aún es inestable. Por lo tanto, la elección de la estrategia de recomendación en realidad tiene mucho que ver con el escenario de aplicación específico.
Dado que el mecanismo de recomendación basado en el filtrado colaborativo no requiere un modelado estricto de elementos o usuarios, compara directamente la similitud entre elementos y no requiere una máquina para comprender la descripción del elemento. Las recomendaciones calculadas mediante este método son abiertas y pueden utilizar la experiencia de otros para ayudar a los usuarios a descubrir posibles preferencias de intereses. Por tanto, también es un mecanismo de recomendación muy utilizado.
La desventaja es que el núcleo se basa en datos históricos, por lo que existe un problema de "inicio en frío" para nuevos proyectos y nuevos usuarios; la precisión de las recomendaciones depende de la magnitud de los datos de preferencias históricas del usuario y; el número total de usuarios;
Las recomendaciones basadas en reglas de asociación son más comunes en el comercio electrónico y tienen mayores tasas de conversión. Lo que esto realmente significa es que los usuarios que compran ciertos productos tienen más probabilidades de comprar otros productos. El objetivo principal de la recomendación basada en reglas de asociación es extraer reglas de asociación entre diferentes productos, es decir, una colección de combinaciones de productos compradas por varios usuarios al mismo tiempo, y los productos de estas colecciones pueden recomendarse entre sí.
Al calcular el contenido que les puede gustar a los usuarios, el tercer paso es cómo mostrárselo para mejorar aún más la experiencia del usuario y aumentar el consumo secundario del contenido recomendado.
Entre muchas aplicaciones, cada una tiene varias páginas y cada página tiene varias ubicaciones recomendadas. Basado en el posicionamiento funcional del producto, los hábitos operativos del usuario, la relevancia del comportamiento del usuario y otras dimensiones.
Coloque el contenido adecuado en una ubicación más adecuada, mejore continuamente los retratos de los usuarios en función del comportamiento de uso del usuario y ajuste las estrategias de entrega para garantizar la eficiencia del usuario.
Durante el Double Eleven que acaba de pasar, cada uno de nosotros podría tener un mapa de banner de la aplicación Tmall completamente diferente. Debido a que solo necesita ingresar el tipo de tema, el sistema de diseño de inteligencia artificial "Luban" de Alibaba generará decenas de miles de materiales diferentes y los personalizará según el tema y las características de consumo, realizando realmente miles de personas con diferentes caras. Esto también duplicó con creces la tasa de clics del bit de recurso.
Existen muchos métodos de recomendación. Se aplicarán diferentes mecanismos de recomendación en diferentes escenarios y habrá diferencias en la precisión de la recomendación. Entonces, en términos generales, al construir un sistema de recomendación, no simplemente adoptaremos un determinado mecanismo de recomendación, sino que a menudo combinaremos varios métodos para compensar las deficiencias de cada uno y lograr mejores resultados de recomendación.
Después de saber qué tipo de contenido se recomienda a los usuarios, a medida que pasa el tiempo, más y más contenido satisfará las preferencias del usuario. Estos contenidos deben ordenarse según dimensiones más naturales, como la dimensión temporal y la popularidad del contenido, y luego colocarse en ubicaciones apropiadas para ayudar a los usuarios a resolver sus problemas sin que se den cuenta.
Hoy en día, la cantidad de información es enorme y el desarrollo de la inteligencia artificial ha comenzado a explotar. Las soluciones más avanzadas requieren aprendizaje y exploración continuos. Creo que en el futuro, cada ROM de teléfono móvil será una gran aplicación, que se podrá abrir hasta cierto punto y se podrá disfrutar de la información utilizada por cualquier software en el teléfono móvil, y se convertirá en datos para ayudar a los usuarios, lo que facilitará la vida. teléfono móvil un verdadero asistente móvil.