基于深度隐语义topic的用户聚合推荐--part2 推荐结果

开篇之前，我们首先回顾一下背景：part1 在19年已经写了，最近打开博客发现part2迟迟没有写，时隔这么久，临近十一终于有时间把第二部分完成了。

在得到item topic之后，我们如何给新用户或者低活用户推荐呢。首先第一步就是用户群体发掘。

用户群体怎么定义呢，这里的用户群体，需要结合多个静态特征去做聚合，比如年龄，性别，地域，机型，收入level等等，没有固定的群组，也没有好的或者坏的。可以选择其中一个或者多个静态特征组成有区分度的群组。比如 年龄_性别_机型 组成群组的区分性。 男性，【18-24】，华为 是一个群里， 女性，【25-30】，vivo 是另一个群组。这样的话用户群体就已经被定义了。

用户群体怎么挖掘topic呢。我们有的训练数据是什么呢？corpus是每一个用户点击的item序列，那么基于最原始的用户点击item序列，就会得到user group的item的点击序列，再经过topic mapping，我们就能够得到 user group 对topic的点击如下图。

用户群体兴趣挖掘

用户group的兴趣挖掘基本的物料产出后，这里需要用一些learning Algo 去得到每个群组最感兴趣的topic 是那些，比如最简单的就基于统计 group1里面的hot，当然这样会缺乏个性化，不同群组之间会同时都会有那些热门的topic，所以我们会利用tf-idf 以及cf降权等统计方法短平快的拿到比较好的效果，当然这里给大家留一些空间，这里有没有模型化的方法。

这里给出一些用户群组的demo： 比如x手机 和y手机是两个手机品牌这里数据脱敏。

x手机 60岁+ 的男性喜欢的 topic是  国际新闻，军事，国际时政，历史

x手机 60岁+ 的女性喜欢的是 明星娱乐，央视主持人，国际体育，女排

y手机，60+ 的女性 喜欢的是明星娱乐，育儿，婆媳

好了这里就能明显的发现x手机的用户相对是关心 国家大事呀，虽然男女不同。明显的对比是y手机 60+的女性喜欢的更多的是生活方面的东西这个区分度是令人惊喜的。

这个上线后，对新用户各指标3-5个点提升， 低活用户1-3个点提升。还是很不错的。