許多產(chǎn)品里都設(shè)置了推薦模型系統(tǒng)，比如結(jié)合推薦模型，購物平臺可能會更知道用戶更想要什么，從而讓相關(guān)產(chǎn)品出現(xiàn)在用戶瀏覽首頁。那么，推薦模型是如何“起效”和“運轉(zhuǎn)”的？個性化推薦，又有哪些存在意義？本篇文章里，作者便發(fā)表了他的看法，一起來看。

一款應(yīng)用軟件或系統(tǒng)設(shè)計，為了更好地迎合市場用戶，一定逃離不了對用戶的推薦模型，而推薦的目的是為了更好地解決用戶痛點，觸達(dá)用戶目標(biāo)，從而達(dá)到用戶的留存，提高用戶與產(chǎn)品之間的粘度，比如在日常購物場景中，打開同一款購物應(yīng)用可能會遇到若干種情形：

1. 和好友同時打開app后發(fā)現(xiàn)，為什么兩個人首頁各個頻道入口的圖片以及文字不一致？
2. 為什么同樣搜索相同關(guān)鍵詞，你和好友竟然出現(xiàn)不一樣的商品列表？
3. 為什么我剛剛瀏覽了褲子以后，首頁各個頻道的展現(xiàn)變了？

一、購物平臺是如何知道我需要什么？

1. 是如何知道我喜歡什么并且可能想要買什么的？
2. 為什么它能做到每個人都不一樣？
3. 為什么它要這么做？

從這里會產(chǎn)生一個機器人模型學(xué)習(xí)概念，機器學(xué)習(xí)就是將主體換為機器，并且它通過某種途徑來獲取知識或者技能的過程，并應(yīng)用于未來的生活工作，人獲取知識的外化載體是書本、音頻、視頻等，傳輸通道是人的感官，處理中心是大腦，而對應(yīng)于機器外化載體也同樣可以有以上各類信息源，并且使用各類外放設(shè)備收集信息，處理中心是CPU與存儲共同維護。

一個是演繹法，一個是歸納法，這兩種方法分別對應(yīng)人工智能中的兩種系統(tǒng)：專家系統(tǒng)和機器學(xué)習(xí)系統(tǒng)。

所謂演繹法，是從已知的規(guī)則和事實出發(fā)，推導(dǎo)新的規(guī)則、新的事實，這對應(yīng)于專家系統(tǒng)。

專家系統(tǒng)也是早期的人工智能系統(tǒng)，它也稱為規(guī)則系統(tǒng)，找一組某個領(lǐng)域的專家，如醫(yī)學(xué)領(lǐng)域的專家，他們會將自己的知識或經(jīng)驗總結(jié)成某一條條規(guī)則、事實，例如某個人體溫超過37度、流鼻涕、流眼淚，那么他就是感冒，這是一條規(guī)則。

當(dāng)這些專家將自己的知識、經(jīng)驗輸入到系統(tǒng)中，這個系統(tǒng)便開始運行，每遇到一些新情況，會將之變?yōu)橐粭l條事實。當(dāng)將事實輸入到專家系統(tǒng)時，專家會根據(jù)規(guī)則或事實進(jìn)行推導(dǎo)、梳理，并得到最終結(jié)論，這便是專家系統(tǒng)。

而歸納法是從現(xiàn)有樣本數(shù)據(jù)中不斷地觀察、歸納、總結(jié)出規(guī)律和事實，對應(yīng)機器學(xué)習(xí)系統(tǒng)或統(tǒng)計學(xué)習(xí)系統(tǒng)，側(cè)重于統(tǒng)計學(xué)習(xí)，從大量的樣本中統(tǒng)計、挖掘、發(fā)現(xiàn)潛在的規(guī)律和事實。

二、機器學(xué)習(xí)過程數(shù)據(jù)維度

可以大致推算出購物app為什么能夠知道你喜歡什么，是基于一個假設(shè)條件的：一個人歷史的購物行為及偏好，會在未來的行為中也有跡可循。

所以利用機器學(xué)習(xí)我們通過用戶歷史交互數(shù)據(jù)（特征包括：誰在什么時間買了什么東西，這個東西的名字叫什么，什么顏色，價格多少等等）。 比較有用的可以對未來推薦有指導(dǎo)意義的特征包括：

1）購買力

一個平時只買100元左右牛仔褲的用戶，未來短期內(nèi)買10000元和10元的褲子的概率遠(yuǎn)遠(yuǎn)低于買100左右或者200左右的概率，所以推薦的時候會更優(yōu)先給你看到100-200左右的褲子。

2）性別

平時在淘寶上只買男性或男女通用商品的用戶，未來短期內(nèi)買女性商品概率遠(yuǎn)遠(yuǎn)低于男性和男女通用商品的概率。

3）年齡

一個一直購買20-25歲左右服飾的用戶，未來短期內(nèi)購買其它年齡段的概率遠(yuǎn)遠(yuǎn)小于20-25歲年齡段的概率。

三、為什么能夠做到每個人不一樣？

根據(jù)學(xué)習(xí)邏輯歸類，如果在機器學(xué)習(xí)階段考慮一些跟人相關(guān)的因素（特征），那這個因素的不同值就會影響結(jié)果輸出。

比如我們現(xiàn)在根據(jù)用戶對他購物的商品的評分?jǐn)?shù)據(jù)，來預(yù)測一個他從未買過的商品的評分，背后影響用戶評分的因素可能包括以下幾個：價格，售前/后，物流，商家主營類目是否和用戶購買的類目相同，其它用戶的評分（如果其他用戶評分高則一定程度上代表了這個商品的好壞）等等。

比如物流和價格這類因素（特征），如果和用戶這個特征做交叉后，其實會有非常迥異的權(quán)重值，而這一切是每個用戶的購買力和用戶體驗?zāi)褪芰Φ炔煌瑤淼?。所以如果你考慮了用戶的特征則這就會影響每個人的推薦結(jié)果不一樣。

四、個性化推薦的核心使命

可以打破80%的用戶只買20%的商品的規(guī)律，更好地降低長尾商品的比例，因為在電商產(chǎn)品中，在非個性化的商品展示過程中，往往爆款商品擁有更多的流量，這樣其實不能很好的照顧到高質(zhì)量長尾用戶和高質(zhì)量長尾商品。

舉個例子，在淘寶的某個頻道，有很多褲子，A褲子100元近5天的銷量可能1w件，B褲子1000元近5天的銷量是100件，在不考慮其它因素的情況下，非個性化模型（或運營排序）一般會偏向于A褲子在B褲子前面，但是如果這個用戶在平臺歷史購物行為都是集中在高價格商品（名牌包包等），則如果你個性化的考慮每個人的這個偏好，那么有可能B褲子就在前面了，而且用戶可能真的更喜歡B褲子。

1. 流量均衡曝光

在APP或網(wǎng)站有限的商品曝光機會下，為每個展現(xiàn)的商品爭取最大的點擊/成交等，因為用戶在平臺上的時間是有限的，如果能在海量的商品中，為用戶找到他感興趣的商品，那么平臺將在這有限的流量資源下收獲更大的價值。

舉個例子，有可能用戶在某個頻道下，看了A，然后看了B，再看了C，最終買了D，并且ABCD這四個商品都是有一定關(guān)系的商品，那么平臺能否在一開始在我看完A以后就幫我找到C，并在A下面推薦D商品。在最大限度挖掘用戶購物需求的情況下，最大限度縮短用戶購物的時間。

2. 提升極速流暢的購物體驗

可以給用戶創(chuàng)造極致的用戶體驗，極致的用戶體驗是用戶信任依賴平臺，在每次購物過程中，希望平臺能夠幫助其快速，準(zhǔn)確地找到其想要的商品，其中包括了基于用戶歷史興趣的再延伸，也有基于用戶角色的行為探索。

比如用戶每隔25-30天會購買尿不濕，未來平臺是否能夠在23-33之間快速捕捉用戶購買尿不濕的需求；再比如用戶在平臺上第一次瀏覽電腦，我基于用戶的其它購物行為（比如用戶之前在平臺上經(jīng)常買20-25歲的衣服，并且大部分郵寄的地址為大學(xué)宿舍），是否平臺可以在接下來的瀏覽中為用戶呈現(xiàn)適合學(xué)生族高性價的電腦。

穩(wěn)定的流量與穩(wěn)定的交互、比例可以保證數(shù)據(jù)的稠密性，單用戶和單商品有足夠的數(shù)據(jù)可以完成機器學(xué)習(xí)，并且保證一定的置信度；當(dāng)有新用戶（新商品）加入系統(tǒng)時，由于系統(tǒng)中缺乏用戶（商品）歷史反饋信息，所以完全無法推斷用戶的偏好，也就無法做出預(yù)測，信息匹配量級差異過大。

在人機交互過程中不斷拓展用戶行為模型，補充足夠的產(chǎn)品信息庫，根據(jù)不同人群瀏覽行為進(jìn)行精準(zhǔn)推薦與展示，實現(xiàn)把不同價格產(chǎn)品根據(jù)不同的流量池分布給需要的用戶，這個過程可以稱為從廣泛匹配到精準(zhǔn)匹配，使購物的推薦運算模型得到個性化的具象呈現(xiàn)。

也俗稱千人千面的搜索個性化，千人千面并不神秘，只不過是統(tǒng)計學(xué)的應(yīng)用，

簡單的來說，展現(xiàn)在用戶面前的是產(chǎn)品合集，從用戶到產(chǎn)品展示合集分四步曲。

第一步：用戶進(jìn)入產(chǎn)品應(yīng)用，產(chǎn)品立即識別用戶的標(biāo)簽，這些標(biāo)簽叫做抽樣條件。

第二步：根據(jù)該用戶標(biāo)簽找到相似人群，這叫做根據(jù)條件抽樣。

第三步：根據(jù)相似人群找到他們共同喜歡的產(chǎn)品，叫做對比樣品共性。

第四步：在系統(tǒng)所有同類型的產(chǎn)品中，找到與樣品庫相似的產(chǎn)品，形成產(chǎn)品合集，這些產(chǎn)品合集會展示在該用戶的面前，相似度越高，權(quán)重越高，排名越靠前。