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