在文章《微信读书冷启动书籍推荐初探:一个借助微信用户画像的方法 》1,我们发现用户的阅读偏好与用户属性(性别、年龄、n 线城市、公众号阅读偏好)相关。基于这个发现,我们利用用户属性,给冷启动的新注册用户做个性化推荐,效果较编辑推荐提升约 50%。
假设具有相似用户属性的用户,有相似的阅读偏好。
我们可以把相同性别、相同年龄段、相同 n 线城市的微信读书用户划分成群体,统计每个群体的用户最喜欢的书;对新注册的用户,它的阅读偏好很可能与他所在群体的用户相似。因此根据这个先验知识,可以把他所在群体最喜欢的书籍推荐给他。
微信读书搭建了书籍推荐 A/B 测试的基础设施,通过如下方法统计不同推荐策略的转化率:
本次实验把有属性的用户随机分成两组:
对个性化推荐组的用户,把用户所在群体热门书单推荐给他们。编辑推荐组,沿用以往的固定书单策略。二者在 App 界面的表现形式没有任何差异,只是书籍的不同。
统计新手卡片前十本书推送/加书架转化率,得到表格:
日期 | 个性化推荐 | 编辑推荐 |
---|---|---|
20161210 | 1.56% | 0.97% |
20161211 | 1.58% | 1.02% |
20161212 | 1.56% | 1.10% |
可以看到,个性化推荐的转化率,比编辑推荐提升了约 50%。