【大数据技术与推荐系统(3)】推荐系统设计_数据推荐系统页面设计

推荐系统设计

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
  老用户->兴趣已知，着重个性化
  主流用户，小众群体？

• 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、装修材料、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
  短期、长期、周期（节假日）

• 何地：
  基于位置的服务

3. 功能设计

• 个性化首页
  个性化促销，关注信息推送

• Item页面
  关联商品
  基于浏览历史的推荐
  基于购买历史的推荐

• User页面

• 购物车页面

• Community页面

• 其他：手机、email

4. 界面设计

• 如何将推荐结果呈现给用户？

• 如何收集用户信息和反馈数据？

• 目的：

提高用户满意度，达到推荐目的
更多更好地收集高质量的用户反馈
准确评测推荐算法效果

5. 架构设计

• 硬件资源限制

• 用户数、item数

• 存储、接口

• 实时响应的要求

6. 算法设计

• 优化准则
• 数据预处理
• 离线算法
• 在线算法
• 功能实现策略
• 推荐解释

7. 系统评测

• 用户反馈
  点击率？转换率？单次使用时长？重复使用率？
• A/B测试

用户界面重要性

• 呈现方式不同会导致推荐反馈不一致
• 界面不同可能导致优化目标不同（推荐数目）
• 用户反馈数据是算法的基础—不仅要吸引用户提供反馈，还要提供准确的反馈机制（引导词）
• 好的设计可以弥补差的推荐，提升用户体验以及用户数据质量
• 可以用界面解决某些算法问题，如流行和长尾的平衡
• 新的呈现方式会对算法提出新的要求

最根本：客观评测VS.主观评测

机器学习算法——客观评测
推荐系统——主观评测
即，给不同人推荐同样item反馈不同

用户数据采集的重要性

数据充足，简单算法性能可以很好
数据缺失，任何算法都不可能有好的性能
某些情况下用户不愿意提供反馈
但是，如果用户愿意提供反馈，而网站没有给用户反馈的机会……

用户愿意表达自己的偏好

好的算法要有好的呈现