互联网环境下信息数量急速上升,资讯的更新极其频繁,几乎每时每刻都在产生资讯,但用户的信息容量有限,使得大部分有价值的信息无法抵达用户,从而造成信息过载;另一方面,如此种类繁多、数量庞大的新闻,大部分是冷门新闻,没有曝光的机会,导致出现物品的“长尾问题”。
据统计,2020年中国手机新闻客户端用户规模达7.11亿,如何打造一款主流的新闻客户端,解决信息过载和长尾问题是关键。个性化推荐技术在解决这两个问题中起着极其关键的作用。新闻资讯中的个性化推荐是根据用户的历史行为数据进行兴趣点深度挖掘,从大量的新闻资讯中找出用户最感兴趣的进行推荐,从而不仅满足了用户本质的信息诉求,改善了用户体验,且大量的新闻资讯也有了曝光的机会,有了适合的受众群体,避免了资源浪费。
除了个性化推荐,相关推荐和热门推荐也被广泛应用到新闻客户端中,本文将对其将对这些推荐类型做详细介绍。
达观推荐逻辑详解
资讯推荐可分为三大类,首先是资讯的个性化推荐,一般在app的首页,根据不同用户的喜好,为其提供“千人千面”的个性化内容;
其次是热门资讯推荐,结合海量用户的行为数据,计算当前热门资讯内容榜单;以及资讯详情页下方的相关推荐,通过内容侧和用户侧两个维度计算资讯相似度进行推荐;
除此之外,在三大类型的推荐技术基础上,可结合地域信息,为用户推荐当地的资讯。
1.做好资讯个性化推荐4大要点
资讯的个性化推荐一般有多个维度的召回策略,包括但不限于:
第一,通过协同过滤、UCB等推荐算法的召回策略;
第二,基于内容的召回:利用达观自研的NLP技术,对资讯内容中的标题、内容等文本信息进行分析,通过标题、标签相似进行召回;
第三,基于行为的召回:根据用户的点击、点赞、收藏、评论、深度阅读等行为分析用户兴趣,基于用户偏好召回;
第四,基于规则召回:为配合资讯的业务需求,一般可加入运营规则对召回策略进行干预,例如:
- 时效性规则:只推荐1个月以内的内容,并且优先推荐最新的资讯内容。
- 多样性规则:例如希望推荐内容中,社会类、娱乐类、科普类呈多样性分布。
- 打散规则:推荐内容中,希望同一个类别,作者不连续呈现。
2.如何制定资讯相关推荐规则
第一,基于内容侧推荐,综合资讯的标题、标签、类别、作者等字段做相似性分析,推荐相似资讯。
第二,基于用户侧推荐,利用用户的协同过滤和物品的协同过滤算法进行推荐。
第三,加入业务规则限制,例如控制新闻字段对相关推荐模型的权重,标签>标题>类别>作者。
3.如何制定资讯热门推荐规则
第一,根据海量用户的点击、点赞等行为数据,计算新闻热度,生成排行榜单进行推荐。
第二,根据时间维度,加大24小时内的新闻的权重,保证最新的新闻的曝光率。
第三,合理调整热门推荐刷新机制,如2-4小时计算一次热门榜单。
第四,结合app定位,调整不同行为对热门模型的权重影响,如加大深度阅读行为或者分享行为的权重。
第五,行为对热门模型的影响度按时间递减,例如今天的点击行为权重高于昨天的点击行为权重。
目前,在媒体和资讯行业达观已经服务江苏广电、陕西广电、深圳广电、澎湃新闻、人民网、四川日报、广而告之、WiFi万能钥匙、聚看点等几十家知名客户。在客户服务过程中,达观智能推荐团队针对客户应用场景,从业务、监管、特定推荐等角度,提供推荐模型的定制和优化。
此外,达观数据智能推荐产品在银行业、视频等各个领域进行应用,客户涵盖招商银行、浦发银行、民生银行、江苏银行、宁波银行、中国移动、长虹、安利等近百家各行业龙头企业。