推薦系統冷啟動

語言: CN / TW / HK

作者在《推薦系統介紹》這篇文章中提到, 冷啟動 是推薦系統的重要挑戰之一。

那麼,什麼是冷啟動?如何設計一個好的冷啟動方案?可能很多讀者還不是特別瞭解,本文將試圖給大家講清楚這些問題。

具體而言,本文將主要從以下 7 個方面進行展開:

  • 什麼是冷啟動?

  • 解決冷啟動面臨的挑戰

  • 解決冷啟動為何如此重要?

  • 解決冷啟動的方法和策略

  • 不同推薦產品形態冷啟動的解決方案

  • 設計冷啟動時,需要注意的問題

  • 冷啟動未來發展趨勢

文章總計約 1 萬字,閱讀需 50 min,建議收藏下來慢慢看。

希望通過本文,你能對推薦系統的冷啟動有個全面的認識,並結合自己公司的實際業務,將冷啟動策略更好的落地到 真實推薦場景 中,讓推薦的體驗更好,對業務產生價值。

什麼是冷啟動?

推薦系統的主要目標是將大量的標的物推薦給可能喜歡的海量使用者, 這裡涉及到 標的物使用者 兩類物件。

任何網際網路推薦產品, 標的物和使用者都是不斷增長變化的,所以一定會頻繁面對新標的物和新使用者, 推薦系統冷啟動問題指的就是對於新註冊的使用者或者新入庫的標的物, 該怎麼給新使用者推薦標的物讓使用者滿意,怎麼將新標的物分發出去,推薦給喜歡它的使用者。

另外,如果是新開發的產品,初期使用者很少,使用者行為也不多,常用的協同過濾、深度學習等依賴大量使用者行為的演算法不能很好的訓練出精準的推薦模型, 怎麼讓推薦系統很好的運轉起來,讓推薦變得越來越準確,這個問題就是系統冷啟動。

總之,推薦系統冷啟動主要分為標的物冷啟動、使用者冷啟動、系統冷啟動三大類。

現在我們大概知道了什麼是冷啟動,看起來很好理解,但卻不是這麼容易搞定。下面我們就講講冷啟動的難點。

解決冷啟動面臨的挑戰

冷啟動問題是推薦系統必須要面對的問題,也是一個很棘手的問題,要想很好的解決冷啟動,需要發揮推薦演算法工程師的聰明才智。

本節我們來說說冷啟動到底會面臨哪些挑戰,只有知道冷啟動的難點,才能更好的思考出解決冷啟動的好方法。具體來說,解決冷啟動問題會面臨如下挑戰:

1. 我們一般對新使用者知之甚少 , 所以基本不知道使用者的真實興趣,從而很難為使用者推薦他喜歡的標的物;

我們對新使用者知之甚少的 主要原因 有:

(1) 很多APP也不強求使用者註冊時填寫包含個人身份屬性及興趣偏好的資訊,其實也不應該讓新使用者填寫太多的資訊,否則使用者就嫌麻煩不用你的產品了。由於沒有這些資訊,我們沒法得到使用者的畫像。

(2) 新使用者由於是新註冊的,在產品上的訪問行為沒有或者很少,不足以用複雜的演算法來訓練推薦模型;

2. 對於新的標的物,我們也不知道什麼使用者會喜歡它

只能根據使用者歷史行為了解使用者的真實喜好,如果新的標的物與庫中存在的標的物可以建立相似性聯絡的話, 我們可以基於這個相似性將標的物推薦給喜歡與它相似標的物的使用者。

但是,很多時候標的物的資訊不完善、包含的資訊不好處理、資料雜亂,或者是新標的物產生的速度太快(如新聞類,一般通過爬蟲可以短時間爬取大量的新聞),短時間類來不及處理或者處理成本太高,或者是完全新的品類或者領域,無法很好的建立與庫中已有標的物的聯絡,所有這些情況都會增加將標的物分發給喜歡該標的物的使用者的難度。

3. 對於新開發的產品,由於是從零開始發展使用者,冷啟動問題就更加凸顯, 這時每個使用者都是冷啟動使用者,面臨的挑戰更大。

既然冷啟動問題這麼難解決, 那麼我們是不是可以不用管這些新使用者和新的標的物呢?只將精力放到老使用者身上呢?

讀者肯定知道這是不可以的,否則我就不會寫這篇文章了,那冷啟動的重要性體現在哪些方面呢?

解決冷啟動為何如此重要?

使用者不確定性需求是客觀存在的,在當今資訊爆炸的時代,使用者的不確定性需求更加明顯,而推薦作為一種解決使用者不確定性需求的有效手段在網際網路產品中會越來越重要, 特別是隨著短影片、新聞等應用的崛起,推薦的重要性被更多人認可。

很多產品將推薦業務放到最核心的位置(如首頁),或者是整個產品的核心,比如今日頭條等各類資訊流產品及很多電商類產品。因此,新使用者必須要面對冷啟動這個問題。

從上面的介紹中可以知道,新使用者、新標的物是持續產生的,對網際網路產品來說是常態,是無法避免的,所以冷啟動問題會伴隨整個產品的生命週期。

特別是當你投入很大的資源推廣你的產品時, 短期會吸引大量的使用者來註冊你的產品(比如今年百度的春晚紅包),這時,使用者冷啟動問題將會更加嚴峻,解決冷啟動問題也會更加迫切。

既然很多產品將推薦放到這麼好的位置, 而推薦作為一種有效提升使用者體驗的工具,在新使用者留存中一定要起到非常關鍵的作用,如果推薦系統不能很好的為新使用者推薦好的內容,新使用者可能會流失。所以如果不解決冷啟動問題,你的新使用者一直會得不到好的推薦體驗,極有可能會流失掉。

新使用者的留存對一個公司來說非常關鍵, 服務不好新使用者,並讓使用者留下來,你的使用者增長將會停滯不前。對於網際網路公司來說, 使用者是公司賴以生存的基礎,是利潤的核心來源。

可以毫不誇張地說,如果不能很好的留住新使用者,讓總使用者健康的增長,整個公司將無法運轉下去。

因為網際網路經濟是建立在規模使用者基礎上的,只有使用者足夠多,你的產品才會有變現的價值(不管是會員、廣告、遊戲、增值服務,你的總營收基本線性依賴於使用者數, 拿會員來舉例說明,會員總收益=日活躍使用者數*付費率*客單價)。

同時,只有你的產品有很好的使用者增長曲線, 投資人才會相信未來使用者大規模增長的可能, 才能看得到產品未來的變現價值,才會願意在前期投資你的產品。

那既然冷啟動問題對新使用者的留存及體驗這麼重要,怎麼在推薦業務中很好的解決這個問題呢?

這就是本文最重要的話題了。

解決冷啟動的方法和策略

前面講過冷啟動包含使用者冷啟動、標的物冷啟動和系統冷啟動。在本節我們會給出一些解決冷啟動的思路和策略, 方便大家結合自己公司的業務場景和已有的資料資源選擇合適的冷啟動方案。

在講具體策略之前,我們先概述一下解決冷啟動的一般思路,這些思路是幫助我們設計冷啟動方案的指導原則。

具體思路有如下7個( 括號裡面代表適用於哪類冷啟動 ):

  1. 提供非個性化的推薦( 使用者冷啟動 )

  2. 利用使用者註冊時提供的資訊( 使用者冷啟動、系統冷啟動 )

  3. 基於內容做推薦( 使用者冷啟動、系統冷啟動 )

  4. 利用標的物的metadata資訊做推薦( 標的物冷啟動 )

  5. 採用快速試探策略( 使用者冷啟動、標的物冷啟動 )

  6. 採用興趣遷移策略( 使用者冷啟動、系統冷啟動 )

  7. 採用基於關係傳遞的策略( 標的物冷啟動 )

上面這些策略是整體的思路,下面分別針對使用者冷啟動、標的物冷啟動、系統冷啟動這三類冷啟動給出具體可行的解決方案。

同時, 在本節最後我會基於自己的思考從新的視角來看冷啟動,提供不一樣的解決方案。

使用者冷啟動

基於上面7大思路,針對新註冊使用者或者只有很少使用者行為的使用者,可行的解決冷啟動的策略有:

1. 提供非個性化的推薦

(1) 利用先驗資料做推薦

可以利用 新熱標的物 作為推薦。

人都是有喜新厭舊傾向的,推薦新的東西肯定能抓住使用者的眼球(比如影片行業推薦新上映的大片)。

推薦熱門標的物, 由於這些標的物是熱點,同時人是有從眾效應的,大家都在看的,新使用者喜歡的可能性比較大(比如影片行業推薦最近播放量TopN的熱門節目), 基於二八定律,20%的頭部內容佔到80%的流量,所以基於熱門推薦往往效果還不錯。熱門推薦也一般用來作為新推薦演算法的AB測試的基準對照組。

還可以推 薦常用的標的物及生活必需品 。如在電商行業推薦生活必需品, 這些物品是大家使用頻次很高的,生活中必不可少的東西(比如紙巾等), 將這些物品推薦給新使用者,使用者購買的可能性會更大。

對於特殊行業,可以根據該行業的經驗給出相應的推薦策略。如婚戀網站,給新註冊的男生推薦美女,新註冊的女生推薦帥哥,效果肯定不會差。

(2)給使用者提供多樣化的選擇

這裡舉個影片行業的例子,方便大家更好的理解,可以先將影片按照標籤分幾大類( 如恐怖、愛情、搞笑、戰爭、科幻等 ),每大類選擇一個推薦給新使用者,這樣總有一個是使用者喜歡的。

如果是新聞類的產品(如今日頭條),可以採用TF-IDF演算法將文字轉化為向量,再對文字做聚類,每一類代表一個不同的新聞型別,可以採用上面影片類似的推薦策略每類推薦一個。

如果是影象或者影片(如快手),可以利用影象相關技術將圖片或者影片轉化為特徵向量,基於該向量聚類,再採用每類推薦一個的策略。可以用openCV及深度學習技術從影片影象中提取特徵, 影象影片分析對技術要求更高,也需要大量計算。

這種方法要保證有比較好的效果,需要類有一定的區分度。也可能碰到給使用者的類是使用者不喜歡的。最好是從一些熱門的類(可能需要編輯做一下篩選)中挑選一些推薦給使用者。太冷門的類使用者不喜歡的概率較大。

2.利用新使用者在註冊時提供的資訊

(1) 利用人口統計學資料

很多產品在新使用者註冊時是需要使用者填寫一些資訊的, 這些使用者註冊時填的資訊就可以作為為使用者提供推薦的指導。典型的比如相親網站,需要填寫自己的相關資訊,填的資訊越完善代表越真誠,這些完善的資訊就是產品為你推薦相親物件的素材。

基於使用者的資訊(如年齡,性別,地域、學歷、職業等)來做推薦,這要求平臺事先要知道使用者的部分資訊,這在某些行業是比較困難的,比如OTT端的影片推薦,因為使用者主要通過遙控器操作,不方便輸入資訊。

並且還要有一定的規則來將使用者畫像(你填的資訊提取的標籤就是你的畫像)與待推薦的物品關聯起來,根據使用者的畫像標籤關聯相關的物品,從而為使用者做推薦。

最近由於安全問題越來越嚴峻 (今年315晚會報道了大量利用大資料來做黑產的公司),使用者也越來越不願意填寫自己的資訊了,所以獲取使用者的畫像是比較困難的。

(2) 利用社交關係

有些APP, 使用者在註冊時要求匯入社交關係等,這時可以將你的好友喜歡的標的物推薦給  你。利用社交資訊來做冷啟動,特別是在有社交屬性的產品中,這是很常見的一種方法。

社交推薦最大的好處是使用者基本不會反感推薦的標的物(可以適當加一些推薦解釋, 比如你的朋友XXX也喜歡),所謂人以類聚,你的好友喜歡的東西你也可能會喜歡。

(3) 利用使用者填寫的興趣點

還有一些APP,強制需要使用者在註冊時提供你的興趣點,有了這些興趣點就可以為你推薦你喜歡的內容了。

通過該方法可以很精準的識別使用者的興趣,對使用者興趣把握相對準確。這是一個較好的冷啟動方案,但是要注意不能讓使用者填寫太多內容,使用者操作也要非常簡單,使用者的耐心是有限的,佔用使用者太多時間,操作太複雜,使用者可能就不用你的產品了。

3.基於內容做推薦

當用戶只有很少的行為記錄時,這時很多演算法(比如協同過濾)還無法給使用者做很精準的推薦。

這時可以採用 基於內容的推薦演算法 基於內容的推薦演算法只要使用者有少量行為就可以給使用者推薦。

比如你看一部電影,至少就知道你對這個題材的電影有興趣,那麼就推薦類似題材的電影。

不像 基於模型 的演算法那樣,需要有足夠多的行為資料才能訓練出精度夠用的模型。

4. 採用快速試探策略

這類策略一般 可用於新聞短影片類應用 中, 先隨機或者按照非個性化推薦的策略給使用者推薦,基於使用者的點選反饋快速發現使用者的興趣點,從而在短時間內挖掘出使用者的興趣。

由於新聞或者短影片時長短,只佔用使用者碎片化時間,使用者發現興趣也不會太長。

現在的新聞應用(如今日頭條),你可以採用下拉,快速選擇自己感興趣的東西,抖音快手也一樣,可以很快的切換影片。

5. 採用興趣遷移策略

當一個公司有一個成熟的APP時,準備拓展新的業務,開發新的APP,這時可以將使用者在老APP上的特徵遷移到新APP中, 從而做出推薦。

比如今日頭條做抖音時,對抖音是新使用者,但是如果這個使用者剛好是頭條的使用者(抖音前期是通過頭條來導流的,所以抖音很大一部分使用者其實就是從頭條來的),那麼我們是知道這個使用者的興趣點的, 從而在抖音上就很容易為他做推薦了。

興趣遷移策略 借鑑了遷移學習的思路,在基於主產品拓展新產品形態的情況下,特別適合新產品做冷啟動。

物品冷啟動

針對新上線的標的物,基於上述7大冷啟動解決思路,可行的解決標的物冷啟動的方案與策略有:

1.利用標的物的metadata資訊做推薦

1)利用標的物跟使用者行為的相似性

可以通過提取新入庫的標的物的特徵(如標籤、採用TF-IDF演算法提取的文字特徵、基於深度學習提取的影象特徵等),通過計算標的物特徵跟使用者行為特徵(使用者行為特徵通過他看過的標的物特徵的疊加,如加權平均等)的相似性,從而將標的物推薦給與它最相似的使用者。

(2) 利用標的物跟標的物的相似性

可以基於標的物的屬性資訊來做推薦,一般新上線的標的物或多或少都是有一些屬性的。

根據這些屬性找到與該標的物最相似(利用餘弦相似度等相似演算法)的標的物,這些相似的標的物被哪些使用者“消費”過,可以將該標的物推薦給這些消費過的使用者。

2. 採用快速試探策略

另外一種思路是借用強化學習中的exploration-exploitation思想,將新標的物曝光給隨機一批使用者,觀察使用者對標的物的反饋,找到對該標的物有正向反饋(觀看,購買,收藏,分享等)的使用者, 後續將該標的物推薦給有正向反饋的使用者或者與該使用者相似的使用者。

該方法特別適合像淘寶這種提供平臺的電商公司以及像今日頭條、快手、閱文等UGC平臺公司。

他們需要維護第三方生態的繁榮,所以需要將第三方新生產的標的物儘可能的推薦出去,讓第三方有利可圖。同時通過該方式也可以快速知道哪些新的標的物是大受使用者歡迎的,找到這些標的物,也可以提升自己平臺的營收。

3.採用基於關係傳遞的策略

當產品在拓展標的物品類的過程中,比如影片類應用,前期只做長影片,後來拓展到短影片,那麼對某些沒有短影片觀看行為的使用者,怎麼給他做短影片推薦呢?

可行的方式是借用數學中關係的 傳遞性思路 ,利用長影片觀看歷史,計算出使用者的相似度。對新入庫的短影片,可以先計算與該短影片相似的長影片,我們可以將該短影片推薦給喜歡與它相似的長影片的使用者。

該相似關係的傳遞性可描述為: 短影片與長影片有相似關係,長影片與喜歡它的使用者有相似關係,最終得到短影片與使用者有相似關係

系統冷啟動

針對剛開發的產品,沒有多少使用者,這時每個使用者都是冷啟動使用者,怎麼讓推薦系統儘快運轉起來,是擺在推薦開發人員面前的首要問題。

這裡新系統比成熟的系統少的是海量的使用者, 無法藉助其它老使用者的行為來為新使用者的推薦提供指導.

但是除了這一塊外,其它策略可以採用跟使用者冷啟動一樣的策略, 包括利用使用者註冊時提供的資訊、基於使用者少量內容做推薦以及採用興趣遷移策略 ,這裡不再贅述。

新的視角看冷啟動

1. 在產品初期,個性化推薦一定是必要的嗎?

其實,我個人覺得在新產品階段,最重要的是做好使用者體驗,提供給使用者最核心的最小化可行特性,只要這些核心功能是使用者想要的,操作體驗不太差,使用者還是願意留在你的平臺上的。同時,需要做好搜尋和導航,方便使用者更好的找到自己想要的內容。

前期個性化推薦沒有那麼重要, 因為個性化推薦本來就是需要有大量使用者行為時效果才會更好的,但是可以做一個基於內容的標的物關聯推薦,方便使用者從內容可以關聯到相似內容。

如果推薦能力不是你的產品的核心競爭力的話,前期也沒有足夠多的人力來開發,在產品初期可以不做個性化推薦。如果你的產品以推薦為核心競爭力(如今日頭條),最好在一開始就構建推薦系統,讓使用者有一個很強烈的品牌感知。

2.跳出推薦的視角看使用者冷啟動

對新使用者來說,最重要的是高效方便地在你的平臺上找到自己喜歡的標的物。

使用者的需求主要有兩類, 一類是明確性需求 ,自己知道自己要啥,我們只要方便的讓使用者找到自己想要的標的物就可以了,解決這個問題可以通過搜尋或者導航來實現。

另一類 是不明確的需求, 在沒有使用者資訊之前,我們確實不知道使用者的喜好,但是我們可以給很多差異性較大的標的物並分門別類讓使用者自己快速選擇,不行就換一批,這樣使用者就可以快速找到一個自己喜歡的標的物。

基於上述思路,我覺得我們可以給新使用者設計一個特殊的“新使用者登入頁面”,對於老使用者進入你的APP或者網站,首頁就是原來常規的首頁,而新使用者在第一次進入時登入的是“新使用者登入頁面”, 當新使用者在“新使用者登入頁面”有行為(播放、購買、點贊等)時,再次登入時就會進入常規首頁。

我們拿 影片APP 舉例來說,我們可以設計如下的“新使用者登入頁面”(見下面圖1)。

我們將該頁面分為4大模組: 熱門模組、搜尋模組、篩選模組、主題模組。

使用者在影片類APP最重要的訴求是儘快找到自己喜歡的內容。對於儘快,使用者希望一進來的介面就可以找到自己想要的,儘量不要讓我“走很多路”,我們直接用一個“新使用者登入頁面”來滿足這個訴求。

使用者對喜歡的內容的訴求的最主要四種情況是:

(1)需求很明確。比如我就是想看”狂暴巨獸”;

(2)需求很明確。想看最近正在熱播的內容;

(3)需求有一定範圍,但是不明確。比如我想找恐怖電影看;

(4)需求完全不明確,如果給我的內容我喜歡就會看。

對於上述(1),搜尋可以滿足使用者需求;對於(2),熱播榜可以滿足使用者訴求;對於(3),篩選可以滿足使用者需求;對於(4),給出各種風格各異的內容,讓使用者快速選擇自己喜歡的型別。

基於以上對使用者訴求的分析,設計這個“新使用者登入頁面”,就可以解決新使用者下面4大類需求(解決使用者找到喜歡內容的痛點):

(1) 最近熱播的內容; 

(2)使用者搜尋自己想要看的內容;

(3) 使用者篩選自己喜歡的某型別的內容;

(4) 瀏覽找到最近想看的內容;

圖1:為新使用者設計的“新使用者登入頁面”

上面,已經比較完整地給出瞭解決各類冷啟動的技術方案。

但是,我們主要是從使用者和標的物的角度來闡述的, 而在實際業務中, 推薦系統是以各種產品形態出現的,如 相似推薦、猜你喜歡、主題推薦 等等。

我們下面結合冷啟動解決方案, 對各種常用推薦產品形態來簡單介紹一下,怎麼實現冷啟動。

不同推薦產品形態冷啟動的解決方案

作者在《推薦系統的工程實現》這篇文章中講到,推薦系統主要有5種正規化,分別是:完全個性化正規化、群組個性化正規化、非個性化正規化、標的物關聯標的物正規化、笛卡爾積正規化。

不熟悉的讀者,可以再看一下該文第五節推薦系統正規化。現在,我們分別從這5種正規化來說明怎麼做冷啟動。

1.完全個性化正規化

該正規化可以採用基於使用者的冷啟動的所有方法來做冷啟動,這裡不再贅述。

2.群組個性化正規化

對於群組個性化正規化,使用者是分為興趣相似的組的。

新使用者由於沒有相關行為,可以單獨將所有新使用者放到一個新使用者組,可以採用使用者冷啟動中的“提供非個性化的推薦“的策略來做冷啟動。

3.非個性化正規化

每個使用者推薦的內容都是一樣的,這種推薦本來就是各種排行榜, 採用新熱推薦的策略,所以不存在冷啟動的問題。

4.標的物關聯標的物正規化

這種正規化一般是相似影片、喜歡該物品的人還喜歡等推薦形態。

可以採用標的物冷啟動中的“ 利用標的物的metadata資訊做推薦 ”和使用者冷啟動中的“ 提供非個性化的推薦 ”策略。

具體來說就是對新標的物,既可以利用標的物的metadata計算與之相似的標的物,利用相似的標的物作為關聯推薦,也可以關聯到新熱標的物或者常用標的物。

5. 笛卡爾積正規化

這種推薦正規化,每個使用者關聯到的每個標的物的推薦都是不一樣的(如個性化相似影片, A使用者和B使用者看到的V節目的相似影片不一樣)。

這時,可以採用關聯到新熱標的物或者常用標的物作為冷啟動推薦。

在真實產品和業務場景中,推薦方式可以有很多變種,讀者需要結合公司業務和產品策略來靈活選擇採用的冷啟動方案, 同時在具體設計冷啟動方案時需要注意很多問題。

設計冷啟動時,需要注意的問題

上面講了很多冷啟動的實現方案, 不同的產品需要結合自身產品特徵和擁有的資源來選擇採用什麼方式做冷啟動。

在這裡我講一下冷啟動落地過程中需要注意的事情, 讓大家更好的將冷啟動應用於真實的業務場景中。

1.逐步迭代讓冷啟動效果更好

冷啟動有很多方法,我們需要通過 AB測試 選擇一種效果更好的方法,並不斷優化,讓冷啟動的效果達到最佳狀態。

2. 量化冷啟動使用者的比例及轉化效果

如1中所講, 需要將使用者的行為日誌埋點, 日誌中需要包含使用者userId,採用的演算法標識、使用者具體行為(點選、播放、購買、點贊)等,這樣就可以通過分析日誌知道:

每天的DAU中,有多少使用者採用了冷啟動策略;

各種冷啟動策略及非冷啟動策略的比例;

冷啟動策略的轉化效果,及與其他非冷啟動策略的轉化效果的對比。

只有知道了具體資料情況,才能夠知道從哪些維度去優化。

3. 採用級聯推薦策略

一般來說協同過濾的效果比基於內容推薦好,而基於內容推薦會比冷啟動推薦好,我們在給使用者做推薦時可以採用級聯策略。

比如如果協同過濾有推薦結果就採用協同過濾的結果,沒有的話(可能是新註冊不久的使用者)就採用基於內容的推薦,如果使用者沒有看任何內容這時可以採用冷啟動推薦(如熱門推薦等)。

這樣做效果肯定會更好,因為總是優先使用最好的演算法,但是實現起來可能會複雜一些,為了給使用者提供最好的推薦體驗,這也是值得的。

在我們公司的相似影片推薦中就是採用的這種方法,如果某個影片有基於item2vector的演算法計算出的相關影片就採用該演算法的結果,如果沒有就採用基於標籤的相似推薦,如果該影片是新影片,標籤不完善,就採用基於熱門的冷啟動推薦策略。

採用級聯策略的目的主要是優先利用所有已知的最好資訊,儘量減少採用非個性化冷啟動推薦的比例,最大程度提升使用者的使用體驗。

4. 需要維護提供標的物的第三方利益

對於依賴第三方提供標的物的平臺,如電商、新聞、短影片、小說閱讀等,需要維護標的物提供方生態的繁榮,怎麼保證新的標的物提供方可以掙到錢,提供優質標的物的提供方掙更多的錢,也是很重要的問題。

這就涉及到新標的物的冷啟動問題。

需要確保更好地將優質的標的物儘量推薦給更多的使用者,質地差的標的物少推薦,這就涉及到很多業務策略和評估指標了。

在最後,我基於自己的思考和經驗,講講冷啟動未來的發展趨勢。在未來,隨著技術的發展,肯定有很多新的解決冷啟動的策略和方法。

冷啟動未來發展趨勢

冷啟動與推薦系統密切相關, 隨著推薦系統在網際網路產品中的重要性日益增大,解決冷啟動問題也越來越重要和迫切。

隨著網際網路的深入發展及創業的精細化,未來為使用者提供服務的產品會越來越多,區分度越來越模糊,這就像一個生態系統,隨著物種越來越多,就會有更多的物種的生存空間出現重疊。

所以,競爭也會越來越激烈。同時,使用者也會越來越沒有耐心(資訊量太大、碎片化時間更嚴重),你的產品稍微有點讓使用者不滿,使用者可能就會選擇其他的替代品。隨著技術的發展及新的互動模式的出現,也會出現越來越多的冷啟動的方案。

下面基於自己的理解,以及對未來發展趨勢的預測, 對冷啟動的未來發展說下自己的想法, 給大家提供一些不同角度思考問題的視角。

1.解決冷啟動越來越迫切

前面說過,創業朝精細化發展後,產品競爭激烈,功能重疊會更多,有更多的替代品,使用者的耐心會下降。

要想更好的讓新使用者留下來,需要 優化推薦的冷啟動方法,讓新使用者更加滿意。

2.可以更加實時的瞭解使用者的興趣

隨著5G技術的發展,網路速度會更快,幾秒鐘就可以下載一部高清電影,無損影片通話變得可行。

同時隨著硬體的升級和邊緣計算的發展,在終端部署複雜的深度學習模型變得可行,我們可以直接在終端中做複雜的計算處理,快速獲取使用者的特徵。

就像 凱文凱利的暢銷書《必然》 中所說的,社會生活及資訊獲取會更加流式化,對於獲取和提取使用者特徵也是一樣,未來會更加快速(比如你說一句話,你手機上的深度學習模型就可以馬上識別出你的年齡、性別、情緒等),從而更好更快地解決冷啟動問題。

3.新的解決冷啟動的方案

隨著語音及影象技術的發展、邊緣計算算力的強大、資料安全法制建設的完善,說不定未來的APP可以通過影片或者語音來註冊了(在一定的安全隱私法規的框架之下)。

你開啟APP攝像頭就自動識別你或者你說一句話,APP馬上就可以識別出你的 年齡、性別、心情、著裝、體型、精神狀態等特質

這樣立馬就為你構建了一套專屬的使用者畫像,基於該使用者畫像,系統馬上就可以為你推薦跟你的畫像匹配的標的物了。

4.資源共享的協同效應

隨著雲端計算和AI技術的發展, 未來的創業公司會直接採購雲端的大資料與機器學習SAAS服務,而不是直接從零開始搭建自己的資料與AI平臺。

而現在很多APP都是採用 手機、微信、QQ、支付寶 等賬號登陸,雲端是可以知道使用者在各個平臺上的資訊的,。

未來這些資訊通過加密後說不定可以共享,不具備直接競爭關係的公司更有可能達成同盟。

利用共同的使用者行為資訊來協同優化使用者體驗, 這個APP的新使用者, 可能就是另外一個APP的老使用者,可以從另外一個APP知道他的資訊, 這些資訊可以幫助第一個APP來更好的做冷啟動。

寫在最後

 
到目前為止,所有關於冷啟動的介紹就告一段落了。
 
上面很多冷啟動方法作者團隊曾在自己公司的產品中實踐過,也有很多是基於作者的經驗提出來的,並未得到實踐。
 
 

-end-

相關內容推薦

推薦演算法工程師的成長之道

推薦系統的商業價值

推薦系統評估

推薦系統的工程實現

推薦系統介紹

分享到: