产品经理学习-常用的6种推荐策略

目录：

推荐产品核心架构

基于内容的推荐策略

基于人口统计学的推荐策略

基于知识的推荐策略

基于社区的推荐策略

协同过滤的推荐策略

混合过滤推荐策略

推荐产品核心架构

数据预处理：把原始数据处理为可决策数据，量化用户偏好；比如把用户近7天的浏览内容的类目进行统计，计算得出用户偏好的内容为居家商品类

多路召回：按照预先制定不同的策略模型到候选集过滤出符合条件的物品；每一路实际就死一种召回策略。比如个性化召回，是按照个性化偏好

综合排序：采用算法，综合对应的排序策略对召回的结果进行排序，保证优质结果的曝光量，从而提升流量转化率

运营干预：对最终的排序结果进行干预，主要目的是为了配合运营、业务活动等

基于内容的推荐策略

这个策略的核心在于基于用户过去感兴趣的物品，建立其物品的一个相似矩阵；其中物品间的相似性是基于物品一些特征进行量化计算；比如物品有多个相似商品，用户喜欢其中一个，就会推荐其他与之相似的商品，其余商品不会出现在推荐结果

基于人口统计学的推荐策略

基于人口统计信息进行推荐的。这个得前提假设是不同群体的文化和喜好有较大的不同；比如有很多网站会根据用户的语言和国家，进行不同的推荐，这种推荐由于其精准性受限，当下采用的较少。所以这种策略也使用的较少。

基于知识的推荐策略

基于某一特定领域的知识库进行推荐；构建知识库的目的就是在已知用户的需求情况下，从候选集中推荐核实的商品，促成转化。一般这种推荐策略应用在专业度比较高，用户需要重策略的行业内；比如医疗和金融行业

基于社区的推荐策略

人们更愿意相信朋友为他们推荐的产品，这个也基于社区推荐的前提假设

抖音短视频APP获取通讯录权限，微信登录权限，获取好友关系列表，把好友感兴趣的视频推荐给用户

协同过滤推荐策略

    兴趣相同的群体对对方感兴趣的内容也可能喜欢，用户感兴趣一件物品，那么他对该类相似物品也喜欢。

最常用的策略，当下采用最多的是基于用户的协同过滤和基于物品的协同过滤，这两种方法的核心在于通过用户对物品的评分来判断不同用户、物品之间的相似度。

混合推荐策略

实际应用中，混合推荐策略就是包括前面5种策略中的2种或多种

案例：微信的看一看

数据预处理：用户数据：好友关系链；物品数据：公众号文章；行为数据：在看

召回策略：策略1：基于社区的推荐策略（朋友在看）策略2：混合推荐策略（精选）

排序策略：朋友在看：按照朋友点击在看的时间；按照模型排序

运营干预：新冠疫情实时动态置顶展示