个性化推荐产品小结

前段时间负责的一个产品，主要面向销售人群，提供企业相关的资料，比如联系人、联系手机、座机、邮箱等信息。由于销售是一个很庞大且行业分布广泛的群体，不同行业的销售对所需资源方向完全不一样，同时企业数据量太大，即便是检索也会是一个繁琐的过程，于是个性化推荐企业信息系统诞生了。

个性化推荐有三个重要的因素：资源属性、用户属性和个性化推荐方案。我们在网上能找到的最多的相关资料是第三点，个性化推荐方案，这确实是产品推荐准确度最核心的因素，但另外两点并不只是从属地位。

用户是产品存在的根本意义，而资源是产品能够提供给用户的信息，很多时候由于各方立场不一样，用户体验认为用户是王道，产品经理认为资源更重要。事实证明，中庸之道最厉害，用户和资源是鸡和蛋、源与本的关系，都不能轻而视之。下文将对上述三点依次介绍。

用户属性

首先对我们的用户群体进行分析，分析的纬度如下：

用户来源，即用户怎么接触到产品，SEO／SEM／其他用户推荐等，对SEO和SEM需要把关键词附上，比如关键词“东莞新能源公司”，了解用户使用产品的初始原因。这是我们获取用户信息的初始点，毕竟用户之前是否不断更换搜索关键词才找到我们，天知道。

用户职业与行业，我们产品吸引到的主要是销售，但不排除有其他我们之前没有考虑到的职业人群在，需要记录好，以备后续的用户增长；用户行业是核心的，不同行业的销售需要寻找不一样行业特征的企业，比如会计行业的销售人员，其实是在找所有有代理做账需求的中小型企业。 关于用户具体职业和行业的获取，我们一般很难靠技术或者第三方去获取，最简单直接的办法是用户自己主动填写。

用户诉求和用户目标，有重合的地方，但也有很重要的区分点。用户使用我们的产品，是可以从中获取价值，类似拿到相关企业负责人的联系方式等，但这只是他的基本诉求，而目标更和商业利益相关。比如一个用户需求是有实体门店的客户资源，这是基本诉求，而他的目标可能是卖POS机，也可能是某O2O的地推等等。了解了用户的最终目标后有助于我们更好地完成用户诉求，提高个性化推荐的准确率。

用户诉求和目标，这两点我们也是开放入口由用户自己填写，同时也会记录好用户浏览记录，作为推荐用的补充信息。

用户人类学特征，有些时候并不重要，尤其是我们整个有针对用户人群的产品，这一块资料可以起到补充的作用，但是发挥不了太多的作用。

资源属性

资源属性主要有三个点，资源数量、资源质量以及资源维度。

资源数量是至关重要的环节，资源获取也是一个很纠结繁琐的事情，有时间可以后续再详细介绍，这里简要描述一下。第一步是搜集全网资源，保存到数据库。第二步是将数据进行字段规整化处理，并归类；第三步数据补全和验证；第四步交付到资源池，供推荐使用。

资源质量，承接了上一段的数据补全和验证这个阶段；质量影响到用户对产品的信任度，质量差的资源是浪费用户的时间，从而导致用户流失和口碑的下滑。资源质量的好坏标准由用户最看重的产品价值来定，比如我做的这个产品，80%的人看重的是手机联系方式的准确性，衡量规则很简单，从简单到难有三个梯度：手机号码能打通——手机号码能和联系人对上／手机号码能和所属公司对上——手机号码能和联系人以及公司都对上。除了第一条，接下来的那些都是正常渠道很难解决的问题。暂且不说。

资源维度，这个是为后续的个性化推荐做好准备，标明各条资源有些什么特点；这个的实现方式有很多种，比较多的是标签提取。我们由于上一步进行过一步数据字段规整化处理，其实是已经分出了一些维度，接下来是将这些字段里边能够继续细分的拿出来细化处理。比如根据公司的经营范围或者公司名称里，去获取公司更细的行业分类等，维度越多元，个性化推荐的准确率会更高。

资源是整个系统的后备储蓄粮草，量和质是基本的保障，在现实情况下，数量和质量是难以兼得，需要一个标准，这个标准因产品而异；同样资源维度的多元会因大量数据而出现误差，这个误差的接收标准同样需要因产品和可承受度而定，最后结合个性化推荐系统扬长避短。

个性化推荐方案

这一步是用户与资源的对接，最后的落地执行。个性化推荐算法这一块网络有很多相关资讯，有多种算法，包括今日头条也对外批露了一些方案实施细节。这一块我主要说一下我们产品做推荐的基本逻辑。

用户行为在个性化推荐系统中一般分为两种：显性反馈行为和隐形反馈行为。前文我介绍过，我们用的方法有用户填写信息（显性），也有历史行为记录（隐性反馈行为）。这为我们做推荐的时候提供了两种方式，显性的推荐准确率毫无疑问是会很高的，但同时我们可以灰度部分推荐使用隐性。原因很简单，显性虽然准确率高，但是对用户是一个打扰；另一个原因是，用户显性提交的需求维度，不一定能匹配上我们目前资源给到的维度，在这种不对等的情况下，用户的显性需求在资源池看来是未知生物。

显性反馈的推荐逻辑非常简单粗暴，标签匹配，将用户输入的诉求和目标信息，进入到资源池匹配，寻找相关度高的资源进行推荐。在数据量有保证的前提以及维度互相匹配的前提下，准确率很高。

隐性反馈的推荐逻辑相对复杂，需要对浏览记录进行分析，找出浏览记录与用户真实需求之间可能存在的关联，这会不断试错，且需要大量数据训练再验证。

个性化推荐稍不留神就会出现推荐偏差，原因包括用户填写信息有误、数据量不足、资源归类不正确等等。因此需要一个快速及时的反馈系统。

我们采用的方式主要有三种：客服反馈、用户抽样回访、以及随机查看后台推荐数据。不断地在试错过程中发现和解决问题，推荐不会有最好，只会有持续更迭改进。

好的，基本就这些。