最近在淘宝上浏览了很多，也经常刷到淘宝【猜你喜欢】的feeds推荐，想以这个模块来聊一聊关于我对推荐系统的一些想法~
淘宝【猜你喜欢】模块分析：
模块入口：购物车页面底部、订单列表页面底部、收藏夹页面底部
业务目标：促进用户完成更多潜在交易
用户目标：无明确目标，目前状态为笨笨①用户，大多是进行过其他操作后顺手浏览至此页面。在列表浏览的过程中可能转化为大明用户，完成购买操作。
①注：梁宁产品思维30讲中有一种用户画像是讲用户分为笨笨、大明、小闲。笨笨用户指没有明确目标的用户，大明是目标明确的用户，小闲是打发时间的用户。
猜你喜欢页面用户路径：
仅看表格，似乎点击商品-进入大图相关推荐流列表-立即购买，是最快的下单步骤；但由于在此栏目逛的用户没有明确的购买目标，并且此页面提供的信息量也非常有限，难以支撑用户获取足够信息做出下单决策；所以大部分用户在这里应该更倾向去商品详情页查看，反倒是增加了用户路径。
推荐逻辑分析：
业务目标是促进潜在交易，在确定推荐逻辑的时候，首先梳理用户会因为什么么促成交易？比如熟人推荐、自己需要、自己不需要但是喜欢、虽然不是急需但是有限时优惠等等。
回到算法层面，我们来看下算法如何在海量商品中挖掘出用户可能会购买的产品。
熟人推荐：用户可能会买好友买过或分享过的商品，来源于好友的交易记录、分享记录；
自己需要：买了面包可能会需要牛奶、起司等，牛奶、起司就是潜在的需求；
自己不需要但是喜欢：喜欢的东西在历史行为中会有明确偏好；喜欢买衣服的人，一定会有大量衣服商品的浏览记录或者收藏记录等等；
虽然不继续但是有限时优惠：生活中总有一些无法缺少的东西，当下不一定急用，但是大家也愿意趁便宜屯着，比如纸巾类生活必需品；
以上的推荐来源，通过基于用户的协同过滤、基于内容的协同过滤、标签、以及特定的知识规则，大致可以覆盖。在第一步完成通过多个模型对内容进行召回，第二步进入排序的过程。
由于多个模型共同做内容召回，所以不同模型召回的内容中可能会有一定的重复内容，在对所有召回内容进行排序时，应当进行去重，毕竟一样的内容被动多次观看体验不好。如何对多个模型召回的内容进行排序？可以参考一定的标签权重，比如内容类型（商品/推荐集）、价格、商品热度、召回来源等。大部分标签还是较为明确，按照用户需求和业务目标可以有大致权重，但多个召回来源的权重，很难估算，最好是拉取历史数据进行参考来确认，比如拉取当前用户历史交易数据，对不同来源的交易区分标记，可以作为多个召回来源的权重参考。
排序输出的列表可以根据业务需求，再添加一些推荐规则，比如是否插入广告商品、是否插入其他活动推荐页等等。
体验描述：
总体来说，淘宝的猜你喜欢中时常推荐一些我会点击浏览的商品，说明推荐是有命中我感兴趣的商品，但极少情况下我点进去看完会立即下单。就是感兴趣，但不那么需要购买的商品居多；如果是感兴趣，又需要，但平时容易想不起来够买的商品，更易促进潜在交易。
列表中也会时常看到一些相似度高的商品以及已经浏览过的信息流内容；这种重复的内容会极大削弱继续浏览列表的欲望。并且浏览时超过一定时间，会有明显的兴趣下降，这个时候很容易离开。
推荐系统如何更好服务用户？
互联网海量的信息下，除了内容非常垂直，且内容量极少，或者分类明确并且需求明确的一些场景外；大部分的场景都是使用推荐系统作为信息分发的解决方案，推荐内容的好与坏也时刻影响着用户的情绪，好的情绪互惠互利，用户满足，平台完成商业闭环；坏的情绪互相拜拜，用户觉得找不到想要的离开平台。从用户使用的角度出发，除了优化推荐因子、算法模型之外，我认为推荐场景化、推荐情绪化是两个有效提高用户体验的方向。
推荐场景化
在推荐内容的过程中，在确认推荐策略的时候，除了考虑到用户标签、协同过滤，需求匹配等，加入场景匹配，尽可能靠近用户在当前场景更容易触发场景需求：比如周一到周五，白天时间，白领用户大多在工作场景，如果在当前浏览中看到一些工作减压及提效的内容推荐，会更容易购买。
这个场景不仅是用户当前的空间场景，也包括地域场景、时间场景（如气温、节日）等；选购衣服的时候，不仅选购款式是否喜欢，还要考虑衣服的季节、使用场景，相似爱好的用户黑龙江用户和海南用户，在选购春季服饰的倾向性上受气候影响；七夕节前夕给伴侣购买礼品的人数会增多……
推荐情绪化
任何列表，用户长时间浏览都会有一个逐渐走低的情绪曲线；随意浏览的用户比目标明确的用户，体验下降点到来的更快。用户浏览的过程中，虽然设定了一些主动获取用户情绪的方式，比如长按可以删掉不喜欢的商品，对当前内容点赞之类的，但不是所有用户都会主动传递。建立完善的数据跟踪系统，通过对CTR、跳出率、浏览时长等数据分析，及时判断用户情绪状态，感知用户的体验下降，并对推荐做相应策略调整。
用户体验下降通常表现形式有持续加速滑动列表，没有点击行为等，如果依旧找不到想要的内容，下一步行为就是跳出。及时判断用户情绪状态，在用户情绪开始下降的时候进行调整，比如有的信息流产品会在持续浏览超过N条没有点击行为时询问用户：“没有想看的内容，是否要换一批看看？”。
另一种能及时调整用户体验感的方式是动态推荐。以往很多推荐内容都是离线计算，用户请求时下发，但离线计算的内容无法很及时针对用户体验下降做出反应，这就推动了推荐的动态化，根据用户当前的浏览行为、兴趣偏好，实时推荐；比如抖音，如果用户对当前视频很感兴趣，下条会推荐类似内容，如果当前内容不感兴趣，下条推荐其他类型的内容，能长时间吸引用户。