腾讯信息流平台产品负责人牛津:个性化推荐的那些事儿

2019 年 6 月 10 日 PMCAFF



嘉宾介绍

牛津,10余年产品经验,腾讯高级产品经理,曾任赛迪、中移动项目经理,主导过移动梦网、梦网书城等项目,对积分体系和系统平台搭建有很好的把握。


现负责信息流平台(QQ看点、QQ浏览器、天天快报)垂类领域的推荐、画像等产品工作。


Q1. 个性化推荐是在什么背景下出现的?


背景我还真不知道怎么回答……个性化其实很早,只是近几年大家才有感知,IBM在零几年就发表过相应的论文&IBM的应用,只是更多的是toB的业务很少有人关注过;


亚马逊购物后的相关商品也比较早,可能更为大家所感受到,这点国内的电商平台跟进都很迅速;


排除大背景,看风口本身往哪吹呢,有两个因素很重要:


  • 效率最大化,位置永远是有限的,要想达到更好的效果就要考虑这个位置怎么满足更多人的诉求,比如我11年的时候负责过NBA的业务,即便今天体育的应用还会在头部放赛事条但一天NBA14场比赛摆下来是不是真的有用呢,如我只看凯尔特人你全摆下来我还要找凯子在哪,我们当时跑过用户观看过往赛事最支持的球队是那几个,只推这几个球队的赛事更多赛事进赛程查看,这就是一种个性化推荐;

  • 第二个要考虑数据化,有个笑话说你没有应用场景下的大数据其实是大数字,那这个场景非常需要数据化的提取,我们都知道互联网的快速崛起=技术*人口红利,放在20年前完说作个性化推进可能386的CPU根本就跑不出足够的数据特征;


综合这两个背景,只要你的业务已经到了急需效率提升期,我个人觉得什么时候进入个性化推荐领域都是合适的的。


Q2. 信息流平台个性化推荐应该是怎样的?


今日头条的上一个soglon比较贴切的总结了个性化推荐:你关注的就是头条。


Q3. 个性化推荐产品经理需要掌握哪些专业技能?


无论什么产品,最基础&最主要的还是了解用户,至于专业技能多是些添彩的工具罢了


我有个同事曾经整理过一份用户的理解,时间原因直接copy到这里给大家分享一下。



Q4. 个性化推荐到底是怎么实现个性推荐的?背后的逻辑是怎样的?


先举个例子,比如女孩子逛街


  • 你想买某条裙子,商场正好有,你就买了

  • 你也不知道买啥就逛逛,看见很多人都买这条裙子,你跟着也就买了


个性化推荐就是这么简单,你喜欢啥就给你啥,你不知道你自己喜欢啥就给你推你同类型人喜欢啥看你是否喜欢,喜欢就继续推、不喜欢就退避


那我们怎么判断你喜欢啥或者某个时间喜欢啥呢,我们会把内容打上内容特征值、行为特征值、状态特征值,然后根据这些特征值的组合不断去尝试探索某个人的兴趣并记录再推荐


这里一定要注意各个特征值代表的含义!


Q5. 有哪些常见的推荐算法规则?他们的优缺点分别是什么?


  • 圈人群,基于用户数据建模

  • 圈内容,基于内容数据建模

  • 协同过滤,基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤


优缺点不好说,放到自己的业务上和用户画像匹配后才好评估


Q6. 如何看待机器学习与个性化推荐之间的关系的?


没有机器的学习个性化推荐就是瞎扯淡。


Q7. 标签体系是如何搭建的,对于整个网站的作用体现在哪?


首先标签属于内容特征值的部分,有了标签更能理解用户对于内容的需求,这个算基本的推荐特征


至于标签体系的搭建,我觉得搭建这个词不好,一旦是你搭建多东西就要有定义,但tag不是被定义的,比如前两天我们同事聊天说我要扩列下你,扩列这个词大家知道什么意思么?


如果不知道大家可以搜下扩列,这个词时随着00后诞生的,不是被我们定义的,我更觉得tag要考虑的是应用,这里有两个维度


  • 可作为兴趣推荐维度,比如动作电影代表了一类用户,但电影这个兴趣就太大了并不适合推荐,当然动作电影其实也很大,这里就是简单举例

  • 不可被兴趣推荐维度,比如哥哥,这到底说的是张国荣还是小哥哥小姐姐的哥哥呢


但这里的界限又要看你所在的平台,比如上面的小哥哥,它在快手、抖音又确实可以作为一个tag来推。


Q8. 内容社区的个性化推荐方向应该从哪方面进行考虑?


首先还是用户,构建人群模型、场景模型和兴趣模型,说白了就是不同用户在不同场景下喜欢什么内容你要理解;


其次内容筛选,你所在平台需要的题材有哪些,这些内容背后的账号哪些是优质账号可以创造流量价值,哪些又是权威账号可以带动平台的内容格调;


最后是“CP”,做社区绕不开核心用户,这些真正创造价值的用户如何去引导他们创造原创内容,如何通过账号体系加权提升他们的品牌影响;


这中间说起来容易,真正做起来还挺麻烦的,简单点的可以复盘+观察下知乎的历次版本。


PMCAFF问答专场是一场与PMCAFF用户互动的问答活动,我们每期都会邀请知名互联网公司的一线产品从业者和咖友们共同交流,目前已成功举办过60+期,先后有来自腾讯、百度、阿里、360、小米、京东、去哪儿等大厂嘉宾入驻。


这个世界问题太多,我们需要一个能够解决问题的人。


如果你有足够的能力解决来自PMCAFF用户在你的专业领域中,以不同的角度提出各类刁钻问题,那么欢迎你参加PMCAFF问答专场


活动申请可以添加工作人员微信沟通咨询,加好友请备注:问答专场


登录查看更多
1

相关内容

推荐系统的一种应用场景。
打怪升级!2020机器学习工程师技术路线图
专知会员服务
98+阅读 · 2020年6月3日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
35+阅读 · 2020年4月5日
清华大学张敏老师,个性化推荐的基础与趋势,145页ppt
专知会员服务
86+阅读 · 2019年11月27日
医疗知识图谱构建与应用
专知会员服务
384+阅读 · 2019年9月25日
腾讯推荐引擎组员工:谈谈推荐系统架构
腾讯大讲堂
14+阅读 · 2019年10月23日
我是怎么走上推荐系统这条(不归)路的……
全球人工智能
11+阅读 · 2019年4月9日
爆料 | 解析阿里妈妈如何将深度学习应用在广告、推荐及搜索业务
机器学习算法与Python学习
5+阅读 · 2018年5月14日
爱奇艺个性化推荐排序实践
机器学习研究会
7+阅读 · 2017年11月12日
认识个性化推荐系统:从推荐算法到产品冷启动
人人都是产品经理
6+阅读 · 2017年9月15日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
谈谈用户画像
caoz的梦呓
10+阅读 · 2017年8月17日
干货 :详解个性化推荐五大最常用算法
数据分析
6+阅读 · 2017年7月19日
详解个性化推荐五大最常用算法
量子位
4+阅读 · 2017年7月8日
Arxiv
13+阅读 · 2020年4月12日
Arxiv
30+阅读 · 2019年3月13日
The Evolved Transformer
Arxiv
5+阅读 · 2019年1月30日
Arxiv
5+阅读 · 2015年9月14日
VIP会员
相关VIP内容
打怪升级!2020机器学习工程师技术路线图
专知会员服务
98+阅读 · 2020年6月3日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
35+阅读 · 2020年4月5日
清华大学张敏老师,个性化推荐的基础与趋势,145页ppt
专知会员服务
86+阅读 · 2019年11月27日
医疗知识图谱构建与应用
专知会员服务
384+阅读 · 2019年9月25日
相关资讯
腾讯推荐引擎组员工:谈谈推荐系统架构
腾讯大讲堂
14+阅读 · 2019年10月23日
我是怎么走上推荐系统这条(不归)路的……
全球人工智能
11+阅读 · 2019年4月9日
爆料 | 解析阿里妈妈如何将深度学习应用在广告、推荐及搜索业务
机器学习算法与Python学习
5+阅读 · 2018年5月14日
爱奇艺个性化推荐排序实践
机器学习研究会
7+阅读 · 2017年11月12日
认识个性化推荐系统:从推荐算法到产品冷启动
人人都是产品经理
6+阅读 · 2017年9月15日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
谈谈用户画像
caoz的梦呓
10+阅读 · 2017年8月17日
干货 :详解个性化推荐五大最常用算法
数据分析
6+阅读 · 2017年7月19日
详解个性化推荐五大最常用算法
量子位
4+阅读 · 2017年7月8日
Top
微信扫码咨询专知VIP会员