推荐系统的设计

我们需要了解：

1，需求分析和用户调研

用户：

*新用户->兴趣未知，着重促销，多样性，新颖性：
1.尽可能收集新用户的信息：初步判断用户信息特点（定义其兴趣，然后把这些标签类型的内容推荐给他）
2.用户自己填写，选择标签。他选择标签下的商品推荐给他。
*老用户->兴趣已知，着重个性化（千人千面）
*主流用户，小众群体？
主流用户需要把热度东西推荐给他，小众群体要注重额外的信息，注重新颖度等。

推荐什么：

*价格一致，用户经常购买的类别
书，电影，音乐，文章->以用户对内容主题的兴趣为主
*价格不一致，用户经常购买的类别：
服饰，日用百货->视觉，品牌，价格，内容
*用户很少购买的类别：
房，车，装饰材料，家具->专家推荐，互补推荐
*新品促销/库存清理->考虑整体系统的获利

何时：

*Email VS 手机短信，APP等

• 短期，长期，周期（节假日）

何地：

*基于位置的服务（O2O）（美团外卖，滴滴打车）

2.功能设计

个性化首页：
新用户：基于热度进行推荐，
老用户：个性化促销，关注信息推送
Item页面
1，关联商品
2，基于浏览历史的推荐
3，基于购买历史的推荐
User页面
让用户轻松，快速找到商品
购物车界面进行相应的推荐
Community页面：已买用户和未买用户各种互动，已买用户的评价，评论，反馈收集
其他：收集，Email界面设计，活动的相应推荐

3.界面设计

如何将推荐结果呈现给用户？
是否喜欢（❤），是否收藏（★），打分（越简单越好）
如何收集用户信息和反馈数据？
目的：
*提高用户的满意度，达到推荐目的
*更多更好的收集高质量的用户反馈
* 准确评测推荐算法效果

4.架构设计：对底层的支撑，满足多少并发，性能，反应时效等

*硬件资源限制
*用户数，item数
*存储，接口
*实时响应的要求

5.算法设计：核心的一部分，影响推荐模型的好坏，预测的准确度

*优化准则：混淆矩阵，准确率，召回率
*数据预处理：标准化模型的数据预处理，冗余去除，空白值填充，归一化等。
*离线算法：选择，评测
*在线算法：
*功能实现策略
*推荐解释：给用户提供合理的推荐解释

6.系统评测

*用户反馈
点击率？转换率？单次使用时长（音乐，视频）？重复使用率？
*A/B测试：分流