[資訊] 個性化推薦技術

個性化推薦技術
https://mp.weixin.qq.com/s/AWQN2338xC8kK-Y_HaJMGA

1.機器學習概述
a. 資料–>單特徵(low level 特徵)+線性模型–>預測
b. 資料–>交叉特徵(high level 特徵)+線性模型+單特徵(low level 特徵)+非線性模型–>預測
c. 資料–>交叉特徵(high level 特徵)+單特徵(low level 特徵)+非線性模型—>預測

2.機器學習過程中的注意點
a. 從感知到認知
b. 從學習到決策
c. 演算法和資料的重要

3.機器學習常見的概念
a. 監督學習
b. 無監督學習
c. 降維
d. 泛化

4.為什麼要這麼做
a. 長尾挖掘
b. 流量利用
c. 用戶體驗

5.推薦技術概述
a. 推薦在電商購買決策過程中的作用
b. 路徑優化(弱化主動篩選功能)
c. 興趣發現(貼心小秘書)
d. 推薦系統類比人的行為

6.推薦系統怎麼做到
a. 上下文
b. 用戶畫像
c. 協同過濾
d. 基於商品
e. 基於模型
f. 基於內容
g. 其它

7.什麼樣的產品推薦效果明顯
a. 稀疏性：穩定的流量與穩定的交互比例(pv/uv)
b. 時效性：能夠獲得快速回饋
c. 多樣性：條目的類別多樣
d. 多樣性與稀疏性：條目增長相對穩定

8.未來電商
推薦應該從以下四點出發來優化:
a. 提升買家用戶的體驗，提高選購決策品質與效率實現優質買家的差異化服務
b. 提高商品的有效曝光機會與轉化率，提升賣家用戶的效果與效益
c. 利益均衡機制，均衡曝光機會，提升曝光商品及商家的覆蓋率
d. 提升買家留存率與賣家續簽率，提升買賣家的忠誠度，提升商品點擊機率

流覽與成交之間存在著巨大鴻溝，圍繞著商品與人的連接以及相應的商業訴求，讓連接匹配的品質更高，連接的廣度更寬，同時通過機制設計促進整個商業和生態的健康發展，成為整個新商業發展的引擎驅動。


#機器學習, 特徵, 感知, 認知, 學習, 決策, 演算法, 資料, 監督學習, 無監督學習, 降維, 泛化, 長尾挖掘, 流量利用, 用戶體驗, 推薦