“千人千面”人群推薦算法解讀，正確認(rèn)識人群！-

想把千人千面的工作原理講透徹一些，但是又怕學(xué)術(shù)性太強(qiáng)，絕大多數(shù)讀者讀不懂，所以整理了很久，決定用學(xué)術(shù)性內(nèi)容+通俗易懂的場景講解方式讓大家理解。

在日常與粉絲的交流中，我發(fā)現(xiàn)很多人對千人千面的理解都是錯(cuò)誤的，這里舉幾個(gè)典型的錯(cuò)誤理論供大家參考：


1.補(bǔ)單是可以控制精準(zhǔn)人群的，也就是所謂的精刷。


2.補(bǔ)單的時(shí)候，通過提前收藏，加購，第二天或更長時(shí)間再成交，會(huì)讓鏈接人群更精準(zhǔn)。


3.只要我用女性賬號來補(bǔ)單，就是女性標(biāo)簽，用寶媽賬號來刷，就是寶媽標(biāo)簽。


4.通過直通車人群溢價(jià)來補(bǔ)單就會(huì)避免人群不精準(zhǔn)問題。


5.人群精準(zhǔn)會(huì)讓鏈接的權(quán)重更高。


6.在不登錄賬號的情況下，我的搜索結(jié)果是沒有千人千面的。


以上的論點(diǎn)，在很多人心中都根深蒂固了，大多數(shù)人對人群標(biāo)簽的理解就止步于這里了，因?yàn)橐恍C(jī)構(gòu)，民間的傳播，所以造成類似這樣的說法大行其道（大家會(huì)發(fā)現(xiàn)上面的舉例大多跟補(bǔ)單有關(guān)，其實(shí)這也是想告訴大家補(bǔ)單是不可能保證人群的精準(zhǔn)性的），但是，這些說法確實(shí)都是錯(cuò)的?？赡艽蠹矣X得不可思議，那這些論點(diǎn)究竟是怎么錯(cuò)的呢，我們從推薦算法原理本身來給大家講解，讓大家認(rèn)識什么是真正的千人千面，相信大家可以自行找到答案（如果看完文章還不能理解，可以再問我）。


說到千人千面，人群標(biāo)簽這些名詞，不得不說到推薦算法，這個(gè)數(shù)學(xué)與信息技術(shù)完美結(jié)合的偉大發(fā)明，它是基于用戶行為的大量樣本統(tǒng)計(jì)和協(xié)同過濾，對用戶需求進(jìn)行預(yù)測的技術(shù)。從買家角度而言，這種技術(shù)會(huì)讓用戶實(shí)現(xiàn)所想即所得，從賣家角度而言，可以擴(kuò)展競爭維度，減少單一維度的競爭壓力，讓產(chǎn)品多樣化，百花齊放。------------好，這只是個(gè)千人千面的概念，可能不太好理解，下面我們從場景中理解一下千人千面的存在。


相信大家都有這樣的體驗(yàn)，比如你坐月子的老婆給你打電話說家里的尿不濕不夠用了，打開淘寶，首頁就出現(xiàn)了尿不濕的推薦；比如你和朋友在微信聊汽車，微信朋友圈就開始推汽車廣告。這些現(xiàn)象讓我們感覺像個(gè)人信息泄露一樣。其實(shí)像淘寶，微信這些工具，是不會(huì)竊取你的個(gè)人隱私的，是你的行為數(shù)據(jù)讓平臺知道你的需求。我們以淘寶的千人千面舉例，在買家用戶注冊賬號的時(shí)候，需要填寫個(gè)人的性別，身份證號等信息，很多人認(rèn)為這就是千人千面的依托數(shù)據(jù)，但這些數(shù)據(jù)并不可靠，且數(shù)據(jù)過于基礎(chǔ)。淘寶會(huì)采集你更多的行為數(shù)據(jù)，比如你使用過的手機(jī)，上過的app，看過的新聞，打車的頻率，發(fā)紅包的金額次數(shù)，欠銀行的貸款等等，這些都會(huì)構(gòu)成你個(gè)人數(shù)以萬計(jì)的事實(shí)標(biāo)簽。標(biāo)簽的采集是很容易的，難在模型的建立，如何通過標(biāo)簽?zāi)Ｐ蛠頊?zhǔn)確的預(yù)測用戶的需求。我們拿淘寶首頁內(nèi)容板塊為例，常規(guī)的行為推薦算法是類似這樣的公式：內(nèi)容訪問權(quán)重=行為權(quán)重*時(shí)間權(quán)重*衰減因子，行為權(quán)重：我們點(diǎn)擊一篇內(nèi)容，回復(fù)，點(diǎn)贊等行為，都會(huì)計(jì)入行為權(quán)重，根據(jù)平臺積累的大數(shù)據(jù)，計(jì)算出了不同類目不同產(chǎn)品下的各種操作行為權(quán)重分?jǐn)?shù)，在用戶進(jìn)行回復(fù)，點(diǎn)贊，收藏等行為時(shí)進(jìn)行權(quán)重加分；時(shí)間權(quán)重：停留時(shí)間越長，時(shí)間權(quán)重也會(huì)越高；衰減因子：用戶的單次行為不能作為用戶喜好的直接評定，隨著時(shí)間的推移權(quán)重也會(huì)慢慢衰減。由這樣三個(gè)權(quán)重維度的綜合計(jì)算得到了我們的內(nèi)容訪問權(quán)重，在我們多次訪問同類型內(nèi)容時(shí)，每次都會(huì)獲得對應(yīng)的內(nèi)容訪問權(quán)重，平臺對這些權(quán)重進(jìn)行累加，然后利用神經(jīng)網(wǎng)絡(luò)的閾值函數(shù)（Sigmoid函數(shù)）進(jìn)行標(biāo)準(zhǔn)化，得到一個(gè)閾值為（0,1）的結(jié)果，通常推薦算法標(biāo)準(zhǔn)化過程是對Sigmoid函數(shù)的變形公式，得出一個(gè)閾值位0-10的結(jié)果，也就是我們所說的質(zhì)量分（直通車的質(zhì)量分也是以這樣的方法計(jì)算來的哦），權(quán)重（或說質(zhì)量分）越高，內(nèi)容板塊推薦類似內(nèi)容的比例和頻率就會(huì)越高，這就是行為推薦算法（你的行為影響了你），值得一提的是，世界上所有推薦算法的處理過程都是類似如此的，沒有太大差異。這個(gè)過程，也就是大家常說的打標(biāo)簽（比如我們搜索看過一個(gè)產(chǎn)品后，猜你喜歡就會(huì)推薦類似的產(chǎn)品，并且看過多種產(chǎn)品，猜你喜歡推薦的頻次是不一樣的）。


但是這只是個(gè)人的行為推薦，比如我們在補(bǔ)單的時(shí)候，讓刷手提前瀏覽一下某個(gè)產(chǎn)品，第二天再去搜索，位置就會(huì)很靠前，很多人會(huì)想當(dāng)然的認(rèn)為這樣會(huì)提高產(chǎn)品權(quán)重，其實(shí)只是這一個(gè)刷手看到的位置變高了，并不代表其他用戶瀏覽結(jié)果下你的鏈接排名也會(huì)變高，是補(bǔ)單者的一種錯(cuò)覺、誤區(qū)！


行為推薦結(jié)果本身是有一定的應(yīng)用場景的，比如我們在使用推廣工具（如直通車）時(shí)有瀏覽未購買的人群標(biāo)簽，這些場景下，使用行為推薦結(jié)果是有意義的，前提你的訪客是真實(shí)的，而不是刷手，否則系統(tǒng)只會(huì)讓你的刷手看的到你的鏈接，真實(shí)用戶依然是看不到的。除此之外，我們更希望獲得的是廣大的新客，那在新客獲得過程中，推薦算法又是如何發(fā)揮作用的呢？


大家在開直通車的時(shí)候都知道，官方給提供了一系列人群包，比如年齡，性別等等，這些是作為用戶的基礎(chǔ)數(shù)據(jù)呈現(xiàn)的，但是，前面講到的行為推薦結(jié)果難道就對千人千面沒有作用嗎？顯然這是不可能的。平臺會(huì)通過用戶行為采集用戶偏好，來把有相似需求的人整理到一起，進(jìn)行關(guān)聯(lián)推薦。下面我們說一下工作原理：我們每個(gè)人的行為偏好，都會(huì)以權(quán)重的形式記錄在云平臺，而一個(gè)人是會(huì)有很多偏好的，系統(tǒng)會(huì)把你的各種偏好轉(zhuǎn)化成特征向量，比如你的消費(fèi)能力，興趣，社交偏好權(quán)重分別是3,6,7，那么你的偏好值會(huì)作為一個(gè)坐標(biāo)點(diǎn)r(3,6,7)被存儲(chǔ)在多維空間的數(shù)據(jù)模型中，然后把每個(gè)人的坐標(biāo)帶入余弦公式中，就可以計(jì)算出特征相似的人了。這樣平臺可以輕易的根據(jù)與你特征相似的人的購買行為來對你的瀏覽結(jié)果進(jìn)行推薦，即使你沒有過瀏覽行為，也是會(huì)給你推薦一些產(chǎn)品或內(nèi)容的。這種推薦算法是要遠(yuǎn)比行為推薦給你的結(jié)果更有意義且更準(zhǔn)確的，我們稱為關(guān)聯(lián)推薦算法（你的行為，影響了別人，別人的行為，也影響了你）。我們平時(shí)開直通車圈人群，搜索購買行為影響的人群，都是基于關(guān)聯(lián)推薦算法的，而關(guān)聯(lián)推薦算法的前提是行為推薦算法。


然而，用戶的行為特征與用戶的基礎(chǔ)數(shù)據(jù)是沒有直接關(guān)系的，比如我們在開直通車的時(shí)候，傳統(tǒng)的人群包里都是年齡，性別等這些維度的屬性，而不是特征屬性，而我們每個(gè)用戶在產(chǎn)生行為的過程中，系統(tǒng)也并沒有直接跟用戶填寫的基礎(chǔ)數(shù)據(jù)做直接關(guān)聯(lián)，我們用戶的基礎(chǔ)數(shù)據(jù)（年齡，性別等）為顯式數(shù)據(jù)，稱系統(tǒng)統(tǒng)計(jì)的用戶行為特征數(shù)據(jù)為隱式數(shù)據(jù)，平臺會(huì)根據(jù)大部分已知的顯示數(shù)據(jù)與他們的隱式數(shù)據(jù)進(jìn)行關(guān)聯(lián)，然后訓(xùn)練未知的用戶數(shù)據(jù)，來預(yù)測用戶的顯式數(shù)據(jù)是否正確，比如通過平臺內(nèi)所有相同特征的人來預(yù)測這些人是不是都是男性，大部分成熟平臺這樣的預(yù)測結(jié)果準(zhǔn)確度現(xiàn)在都在90%以上（換句話說，你用戶填寫的性別年齡數(shù)據(jù)，平臺并不會(huì)當(dāng)真，而是通過大數(shù)據(jù)確定的）！這樣，再把顯式數(shù)據(jù)作為商家可選標(biāo)簽用于選擇和購買廣告等，比如直通車選性別，年齡人群這些，是商家可選的顯式數(shù)據(jù)，系統(tǒng)會(huì)對應(yīng)找出這些人群的隱式數(shù)據(jù)關(guān)系，來推薦給你真正想要推薦的用戶。這也解答了開始我們提出的一個(gè)問題，并不是你用寶媽人群補(bǔ)單，就能打上寶媽人群的標(biāo)簽！


到這里，推薦算法的原理和在平臺內(nèi)的使用場景，我們就已經(jīng)基本掌握了，因?yàn)檫@篇內(nèi)容學(xué)術(shù)性較強(qiáng)，可能很多人讀到這里已經(jīng)叫苦不迭了，沒辦法，就算大家讀不懂，我也要先把原理給大家講清楚，對于做過算法工程師的小伙伴來說，應(yīng)該會(huì)好讀的多。不過沒關(guān)系，就算前面的內(nèi)容你都沒看懂，也不要緊，大家記住后面的內(nèi)容就好了！


首先，一切補(bǔ)單的行為都是無法模擬系統(tǒng)對人群偏好的算法的，所以大家不要指望補(bǔ)單的同時(shí)還能兼顧人群的精準(zhǔn)，這是永遠(yuǎn)都不可能實(shí)現(xiàn)的！


第二，用戶標(biāo)簽是被動(dòng)形成的，商品標(biāo)簽也是如此，在用戶的購買過程中，才慢慢形成標(biāo)簽，千人千面固然重要，但是也不要把它過于神化，它只是對概率論與數(shù)理統(tǒng)計(jì)學(xué)科的應(yīng)用過程，你的產(chǎn)品符合什么樣的人群，是打娘胎里就定下的，而不是你能通過一些技術(shù)手段來改變的，你要做的不是找到更好的人群，而是找到匹配你產(chǎn)品的人群，這個(gè)人群是客觀存在的。


第三，人群標(biāo)簽在競價(jià)系統(tǒng)中（比如搜索結(jié)果）并不是一種權(quán)重，競價(jià)權(quán)重本身還是依賴產(chǎn)品產(chǎn)值的，只是比如在一個(gè)類目中有幾款產(chǎn)品是符合同一種人群的，系統(tǒng)就會(huì)給這類人群優(yōu)先推薦這幾款產(chǎn)品，那么我們開直通車的時(shí)候，當(dāng)這類用戶搜索產(chǎn)品的一瞬間，系統(tǒng)會(huì)根據(jù)我們跟競品的出價(jià)關(guān)系來決定先把哪個(gè)產(chǎn)品展現(xiàn)給用戶而已。

講到這里突然想到一點(diǎn)，很多類目的補(bǔ)單比例是很大的，那么在這些類目中，用戶的特征收集勢必是有很大誤差的，所以這種時(shí)候哪怕我們通過付費(fèi)開的人群是最適合這個(gè)產(chǎn)品的人群，也不一定能得到最好的數(shù)據(jù)，所以很多商家會(huì)感覺補(bǔ)單多的類目，做付費(fèi)推廣好難。其實(shí)大家理解了原理后，只要知道，被動(dòng)的去測試所有的人群條件，找到表現(xiàn)最好的人群來做就好了，而不要通過主觀思想認(rèn)為我的產(chǎn)品一定是男性標(biāo)簽，或者一定是高消費(fèi)群體標(biāo)簽，這樣在這種類目里，你的數(shù)據(jù)就能優(yōu)化的好了。

推薦閱讀：

2023年最火爆的引流玩法有哪些？

淘寶詳情頁怎么做？教你寶貝轉(zhuǎn)化立即翻倍

寶貝詳情頁怎么做？教你寶貝轉(zhuǎn)化立即翻倍

這個(gè)問題還有疑問的話，可以加幕.思.城火星老師免費(fèi)咨詢，微.信號是為: msc496。

難題沒解決？加我微信給你講！【僅限淘寶賣家交流運(yùn)營知識，非賣家不要加我哈】

>

更多資訊請關(guān)注幕 思 城。