内容算法:把内容变成价值的效率系统 · 第四节
《内容算法:把内容变成价值的效率系统》第四节
本节继续阐述用户画像的应用与推荐算法。用户画像可用于行业研究(如腾讯大数据的消费报告)和产品效率优化(如Netflix靠个性化推荐年省10亿美元),也存在按地址预估认知水平发假货……
本节继续阐述用户画像的应用与推荐算法。用户画像可用于行业研究(如腾讯大数据的消费报告)和产品效率优化(如Netflix靠个性化推荐年省10亿美元),也存在按地址预估认知水平发假货、按价格敏感度发优惠券等灰色应用。
画像数据分静态与动态两类:静态指性别、年龄、常住地等稳定属性;动态指用户在产品中的显式行为(点赞、评论、分享、评分、收藏、搜索、播放时长等,权重各异)和隐式行为(停留时长、操作轨迹),显式行为权重更高但较稀疏,需隐式行为补充。
在匹配用户与内容方面,先介绍基于内容属性的推荐:按作者、标签等固有特征计算物品相似度,可用TF-IDF给标签加权;优点是不依赖用户行为,冷门物品也能曝光,缺点是依赖特征完备性且无法体现用户态度。由此引出协同过滤,分三类:基于用户的协同,找口味相似的人群,把他们喜欢的新内容推荐给你;基于物品的协同,按用户反馈(而非内容属性)计算物品相似度;基于模型的协同,用用户喜好训练模型实时预测点击率,如Netflix用受限玻尔兹曼机。同一数据在不同算法下推荐结果不同;基于物品的协同更适合用户多、商品更新慢的电商,基于用户的协同更适合物品海量、更新频繁的新闻和社交场景。