推薦 ：深入淺出之個性化推薦系統實踐

本文對推薦的本質和實現思路進行了深入的探討，並介紹了網易嚴選的推薦系統實踐，讓您充分領略個性化推薦的魅力。

有資料稱亞馬遜的推薦系統帶來的GMV佔其全站總量的20%-30%。這個資料會讓人直覺地認為，電商網站只要一上好的推薦系統，就會帶來相當高的GMV提升。甚至有產品會問：我們的推薦系統GMV佔全站多少？為什麼亞馬遜能做到30%而我們做不到？

想象一下，亞馬遜把推薦系統的位置全換成遊戲廣告，每次使用者點選收取廣告費等同於物品推薦時的單次點選價值。這時會有什麼結果？合理的推薦是，如果遊戲推薦做得足夠精準，這個偽推薦系統的GMV佔全站的比例可能越來越高，網站的使用者流失率會顯著增加，總體營收會趨於下降。

這個假設揭露了一個真相：推薦系統的位置本質上就是廣告展現；對於任何一個有流量的站點來說，不斷上升或者穩定的忠實用話是其最大價值；廣告位的展現最好能夠同時不損壞甚至提升使用者體驗。Facebook初上廣告時就遇到一個問題：廣告的投放影響了使用者體驗，會損失使用者忠誠度，造成使用者流失。而對於電商網站來說，為使用者推薦物品，是一種能提升使用者體驗的方向投放，看起來像一種奇妙的巧合。

與搜尋類似，推薦的本質就是提升使用者體驗 – 為此它們最主要的方式就是幫助使用者快速的找到它需要的產商品，其他的方式還包括給使用者新穎感等。事實上，亞馬遜宣稱的20%的GMV，其中很多是“你不向使用者推薦他也會購買的東西”，推薦系統在這方面的貢獻是為使用者提供了便利性點選，節約了使用者的精力。如果沒有推薦系統或者推薦系統很糟，使用者流向競品網站的可能性就會增大，這時造成的損害是在整體GMV上。至於推薦的GMV能佔全站的比率是多少才合適，這個問題很難回答。只能說每個站點的基準值由產品的綜合情況決定，不能一概而論。

綜合起來，推薦系統有如下幾個作用：

1. 提升綜合體驗： 幫助使用者節省精力，增加漫遊機率，提升頁面訪問量及駐留時間，提升留存率；

2. 提升GMV（由1附帶的效果）；

3. 提升印象。

推薦的結果，使用者點不點是個非0即1的的事件，但是使用者對它們興趣度是一個介於0到1的連續的數值。興趣度的提升，能提升使用者對網站的信任度，提升留存及LTV。

圖1.最佳的推薦形式

事實上，電影推薦的確可以這樣做。豆瓣電影推薦是國內推薦系統的先驅之一，它經過多次迭代，最終形成了一種本質上是embedding的方法來實現推薦：用一定的方法把使用者用一系列標簽描述，將電影也樣同樣的標簽空間描述，據此計算使用者與電影的相似度來推薦，得到的推薦效果非常好。

圖2.豆瓣基於標簽的電影推薦

• 電商推薦系統的特點

在電影的世界裡，人與電影都比較容易做embedding。

與電影推薦不同，電商推薦就複雜得多了。主要有如下幾點：

1. 商品種類數巨大，不同的商品需要不同的embedding。

放在電商的世界裡，電影就相當於一種商品。如果要做embedding，使用者與每一物品都要做一組embedding，不同的物品無法統一。比如，喜歡白色T-shirt的使用者，不見得會喜歡白皮鞋；喜歡鹹豆漿的使用者，不一定會喜歡鹹豆腐腦。而商品的種類可能是數以10萬記的。即始可以針對每種商品做embedding，也很難將它們統一起來。

2. 單種商品深度不夠，難以有效embedding。

描述物品的空間維度一般很淺，除了少數的商品（如女士包等）稱得上博大精深，大多數是很簡單的。

3. 人對商品的興趣大都建立在短期或者瞬時需求之上。

大部分情況下，人對商品有興趣是因為正好需要商品，而非中長期的喜好。很多情況下，買了某種耐用品之後，人對它的興趣（指購買它的慾望）在很長時間內會降到最低。想要embbeding這種轉瞬即逝的變化，是一件不容易的事情。當然，也有一些商品及一些情況下，使用者的確是對商品有中長期的興趣，比如剛生小孩的父母，很長時間內會對母嬰用品感興趣。在海量的商品與情景中把這些case都找出來，本身是一件不容易的事情。

4. 大量耐消品的影響。

上面的論述中可能已經包含這部分。但有必要單獨強調一下：電影是一種極佳的快消品，而在商品的世界裡，充滿了海量的慢消品 – 慢消品的特點是一旦滿足使用者興趣就轉移了。

5. 使用者理論上對所有商品都會有興趣。

人在一生中，會在不同的時間對大部分商品產生興趣。使用者對商品的大部分情況是短期興趣。一般情況下，使用者短期的興趣難以預測，只能根據使用者明確指時的對哪些商品感興趣；中長期興趣在某些情況下可以挖掘。

基於以上的原因，在電商領域難以找到完美的embedding方式來實現推薦。其實我們在看各大電商的個性化推薦時，無論宣稱背後用怎樣複雜的模型融合，從結果看，使用者近期行為的權重是非常大的，使得結果非常像itemCF推薦出來的。很容易看到，很多大型電商網站首頁的“猜你喜歡”模組，推薦的基本都是與使用者最近瀏覽相似的物品。

因此，現代電商的推薦往往用機器學習的方法來實現。對於推薦來說，演演算法與模型並不是最主要的，重要的是對需求、業務標的、平臺使用者、平臺資料的理解及與之對應的特徵工程。

圖3.網易嚴選推薦模型

在核心的特徵工程方面，網易嚴選推薦團隊將使用者的具體屬性（性別、收入水平、地域等）、使用者在網易嚴選的行為屬性（短期、長期）、及時間背景關係（季節、上次購買時間間隔等）作為屬性空間，從1層迪卡爾積開始往上構造N層迪卡爾積形成複雜屬性空間P，挖掘屬性空間與商品的相關，對有明顯相關（正相關或負相關）的（屬性、物品）對構造特徵。

圖4.使用者屬性空間

圖5.具體屬性應用

圖6.行為屬性作為抽象屬性與具體屬性置以相同的地位

 圖7.二階屬性（屬性的2重迪卡爾積）

從結果來看，這一套特徵工程方法可以挖出比較全的特徵集，在魯棒性與效果上都有不錯的效果，自上線以來各項指標均在穩步提升。

作者：沈燕 網易嚴選演演算法工程師；

轉自：網易雲 ［Netease_Cloud］公眾號，本文已獲授權；

宣告：本號內容部分來自網際網路，轉載請註明原文連結和作者，如有侵權或出處有誤請聯絡我們。