商品推荐的思考_link66.cn短链接在线生成

推荐的必要性

1、关于推荐系统

先大概回顾一下整个互联网阶段对信息处理的演变过程。随着信息技术和互联网的发展，一方面用户足不出户就可以得到的大多数的信息，但是另一方面却逐渐受到很多无关信息的打扰，也就是信息过载。

为了解决信息过载的问题，整个信息处理的过程大概经过了三次演变：

第一次即以门户网站为代表的分类处理技术。通过对互联网的信息，内容进行分类处理，并且在用户端进行不同入口的展示，极大的方便了用户根据类别来筛选自己感兴趣的内容，极具代表性的就是各种门户网站。但是随着内容越来越多，分类也越来越多，太多的分类对用户来说也造成了信息过载，随着出现了第二次演变。

二次演变即以PC互联网时代google，百度为代表的搜索引擎。用户可以根据自己明确的目标需求进行关键词查找，繁重的目标内容检索工作交给了机器去处理，极大的提升了用户信息查看的效率。不难发现，搜索其实是解决了用户在有明确目标的情况下信息检索需求。但是如果用户没有明确的目标呢，这时候搜索引擎也无能为力。紧接着，第三次演变到来。

第三次演变即以移动互联网时代的个性化推荐，也即千人千面，每个人看到的都是单独为其量身打造的内容。和搜索引擎不一样的是，即使用户不主动提供明确的需求，只要它在互联网上发生过相关的行为，那么推荐就可以给到用户最为感兴趣的内容。

简单来说，根据用户的历史行为进行用户兴趣建模，结合内容的特征，给到用户最能满足其兴趣和需求的内容，即推荐。

而推荐策略解决的问题就是如何能够推荐出让用户满意，让业务受益的内容。

当然，这里的内容（一般称之为item）不限其具体的形态，可以是商品，可以是文章，可以是服务等等。

什么业务适合做推荐

了解推荐的概念之后，到底哪些业务，哪些场景非常适合去做推荐系统，或者说应该去做推荐策略呢？这个也是我一直思考的问题，总结了以下几点：

2.1 有海量的内容

推荐系统的初衷就是从海量的item当中选出用户最感兴趣的，所以首先要有海量的item，数量不足，就无所谓选择了。

另一方面，从策略的角度来讲，一个策略从诞生，到上线，再到验证，整个过程都需要海量的数据参与，比如item feature提取，模型训练，指标验证等等，海量的数据能够确保整个过程的准确性、可行性和科学性。

2.2 有海量的用户

这个其实和海量的内容是相辅相成的。因为推荐策略本身就是来链接用户和内容的，所以从这个角度来讲的话，有海量内容，就需要有海量的用户与之对应，否则策略是不靠谱的。

从另一个角度来讲，推荐策略本身是为了提高流量的利用效率，这种利用效率可以体现为转化率，UV价值，RPM，GMV等具体指标，需要大量的数据进行验证，否则就没有意义。

因此，如果业务还在发展初期，并没有多少用户，那从产品目标本身角度来讲，这个时候应该主要是以流量导向，而推荐策略并不占据很重要的优先级。

2.3 非工具类业务

工具类业务从其诞生一定会有一个明确的目标，对应的用户也有非常明确的需求，所以对于这种业务一般不会去推荐其他同类内容了。当然需要区别一下资源位和推荐。

一般来说，目前应用推荐策略比较多的领域包括：电商，视频，音乐，阅读，社区，社交，广告，基于位置的服务等。

2.4 用户逛的场景居多

目前用户碎片化的时间越来越多，用来在产品上“闲逛”的时间也就越多，但是，与之对应的是同质化的产品也越来越多，在争取用户注意力这条道路上，能够基于用户的而历史行为，去实时，精准的推荐用户感兴趣的内容可能是一种最为高效的方式。

个性化推荐目前已经成为了一种新的趋势，每一个产品基本必备一个BI模块。不过，是否值得投入很大的资源去做一个看似高大上的推荐系统，还是需要好好考虑一下的。