智能推荐：让你的业务千人千面AI应用大数据运用

图书信息：
书名 智能推荐：让你的业务千人千面
作者 刘国昊  周波
ISBN 9787540257668
出版社 北京燕山出版社
定价 76
出版日期 2020.9

内容提要
凡是有app、pc端网站、小程序等的互联网企业或传统企业人员都应该看看本书，这是一本讲解AI智能推荐如何运用的图书，包括智能推荐到底是什么，到底有什么价值，我的企业要不要应用智能推荐以及不同场景应该怎么应用。
淘宝、抖音、网易云、今日头条，每个人打开看到的商品和信息都是不同的，正是借助人工智能实现了千人千面。其实不单单是互联网内容型平台需要智能推荐，凡是信息匹配需要提升效率的地方，智能推荐都能助其提高工作效率，诸如：打车软件路线规划、外卖软件骑手派单、新产品上市用户推广、翻译文件个性匹配，等等。
本书主要从资讯、电商、文娱行业来详细讲解智能推荐的应用：
l 帮助资讯型企业产生匹配用户需求的个性化内容；
l 助力电商型企业在首页推荐、搜索、购物车、push信息等进行个性化设置；
l 助力文娱型企业在兴趣推荐和同类用户关联推荐中实现千人千面。
国内已从增量市场进入存量市场，不论是传统企业还是互联网企业均已进入精细化运营时代，用户时间的争夺战中，智能推荐为我们提供了一种更流畅、更贴合满足用户需求的方式。

作者简介
刘国昊，艾克斯智能推荐系统事业部负责人。互联网连续创业者，曾创立国内第一家公益众筹平台。北京大学社会企业家教育指导教师，哈佛大学亚洲领导力组织成员。
 
周波，艾克斯智能创始人。互联网连续创业者，AI算法科学家。十余年互联网产品设计及大并发架构经验，前万达集团、汽车之家技术负责人，互联网与传统企业的跨界从业者。国内早期基于深度学习的NLP技术在商业化领域落地的探索者，六年以上商业推荐系统算法研究人员。


目录：
目录 导读 2
推荐序：促进价值实现的技术应用 4
第一章 智能推荐背后的人工智能成长——什么是智能推荐 8
第一节 浪潮中的推荐 8
第二节 智能推荐的本质 10
一、推荐系统能做什么 10
二、推荐系统的运行原理 12
三、推荐系统的泛化场景 14
第三节 推荐已换代 16
第二章 智能推荐大有可为——要不要上线智能推荐 18
第一节 用户时间的争夺战场 18
一、用户拉新 20
二、商业变现 20
三、内容分发 21
四、用户运营 21
第二节 企业的挑战：如何落地 22
一、真的需要智能推荐吗 22
二、影响推荐系统效果的因素 24
三、必须具备的思维 26
第三节 从上线到应用 27
一、自主研发推荐系统 27
二、借力第三方服务商 29
三、三种方式的优劣比较 30
第四节 好的推荐与推荐的好 31
一、离线验证 31
二、在线验证 33
三、用户调查 37
第五节 推荐系统上线过程中的错误观念 37
一、技术尖端论 38
二、机器万能论 39
三、轻视业务论 40
第三章 指尖上的新媒体——智能推荐在资讯场景的应用 41
第一节 内容与人的连接者 41
第二节 小屏幕大价值 43
第三节 指尖上的诚实 45
第四节 楚门的世界 46
第五节 谁成就了标题党 48
第六节 保住“新闻”二字 49
一、设置推荐池有效日期 50
二、实时推荐 50
三、推荐系统的加权体系 51
四、突发、热点新闻实时匹配 51
第七节 推荐密集与兴趣探索 52
一、合适的多样性 52
二、实现多样性的处理方式 53
第八节 首席质量监督官 55
一、“垃圾”内容的标准 55
二、怎么做好内容审核 56
第九节 通往内容变现之路 57
一、内容也是生产力 57
二、探秘“小红书” 58
三、内容变现推荐——跨数据类型推荐 60
四、为什么通过内容向商品引流是有效的 64
第四章 上岗的“机器导购员”——智能推荐在电商场景的应用 65
第一节 电商的“看不见的手” 65
一、四种电商平台 66
二、首页的推荐 68
三、商品详情页的推荐 73
四、购物车推荐 74
五、类目页（列表页）个性化排序 74
第二节 画鬼容易画人难 75
一、用户画像应用场景在营销 75
二、推荐系统中的用户画像 76
第三节 评价推荐的标准 78
一、结果一般是系统运营带来的 78
二、不同场景的测试指标 79
第四节 搜索也要个性化 81
一、电商平台搜索的四个时期 81
二、实现个性化搜索 82
第五节 实时喜好与长期兴趣 85
一、电商的行为收集特殊性 85
二、召回、排序的特殊性 86
三、结果展示层的特殊性 89
第六节 个性化PUSH 90
一、push消息的定义、分类和作用 90
二、如何提高push推送的打开率 91
第五章 风口上的文娱推荐——智能推荐在文娱行业的应用 94
第一节 扎堆的短视频平台 94
一、兴趣个性化推荐 96
二、人的个性化推荐 99
第二节 算法推荐白盒化 100
第三节 新用户看什么感兴趣 105
一、用户冷启动 105
二、物料冷启动 107
三、系统冷启动 108
第四节 社交中的智能推荐 108
一、人的推荐 110
二、内容的推荐 113
第六章 智能推荐的未来 115
第一节 技术的发展曲线 115
第二节 智能推荐的非互联网应用 118
一、智慧门店 118
二、组织效率提升 119
三、政务服务更便民 121
四、更智能地辅助决策 121
第七章 AI智能推荐技术概述——如何实现智能推荐 122
第一节 数据的时代 122
一、推荐系统需要计算哪些数据 123
二、如何采集这些数据 125
第二节 推荐算法 126
一、基于神经网络的文本语义推荐算法 127
二、基于协同过滤的推荐算法 130
三、基于用户行为的深度学习模型 132
四、基于关联规则的推荐 133
五、其他更多算法在推荐系统中的尝试 134


精彩书摘：
第二章 智能推荐大有可为——要不要上线智能推荐
第一节 用户时间的争夺战场
2019年始，国内由增量市场进入存量市场，传统行业如此，互联网行业亦是如此。全行业的管理模式都是由之前的粗放式运营向精细化运营转变。能给企业带来更多利润的运营手段由之前的跑马圈地、扩产能、扩市场转变为降成本、提效率。
在移动互联网行业的大环境里，国内市场的“人口红利”基本已经结束，无论是流量入口抑或是垂直平台，基本都已经完成了卡位和布局，鲜有颠覆现有市场格局的挑战者入局再拉动一波流量的增长。各大平台内部都在加速流量的整合与变现，互联网市场正式从“英雄辈出、兵荒马乱”的春秋时代进入“合纵连横”的战国时代，完成了从上半场到下半场的交替。
从移动互联网运营的角度看，上半场的特点在于扩大用户增长规模，而下半场的特点在于将更多用户留在现有平台内。通过优化平台使用体验、完善目标用户需求功能等精细化运营手段，将更多用户留在现有平台，提供更多的使用场景，争夺用户的碎片化时间，提高和完善平台的商业变现能力。
那么移动互联网行业的商业模式有哪些呢？

我们来看内容平台的移动互联网商业模式图，如图2–1所示。

                                                      图2–1  移动互联网商业模式图

这里的内容平台泛指以用户消费信息而产生价值的平台，例如阅读新闻、购买商品、建立好友关系等。

可以看到，一款移动互联网产品基本上是由4个模块组成：用户拉新、内容分发、商业变现、内容运营。
这与线下场景的商店做生意的逻辑是一样的。

以逛宜家为例，通过广而告之的手段吸引顾客进入宜家，根据宜家的商品陈列顺序，顾客可以进行体验，并最终挑选满意的商品。此时商家已经完成了新用户的商品变现，新用户也就变成了老用户和付费用户了。宜家再通过一系列的活动持续地吸引顾客再次入店，并鼓励用户将宜家可以买到合适的家居用品的信息传递给顾客的朋友、家人，就实现了顾客的再拉新，在移动互联网中称为：用户裂变。
当宜家可以通过较低的广告费用拉来新顾客，并尽可能地让顾客在逛得过程中多付费，买完之后还继续地信赖宜家并再次复购时，宜家就产生了良好的ROI模型，也就是具备了可复制和规模化盈利的能力后，宜家就可以通过开分店的形式继续完成商业版块的扩张了。所以，移动互联网和线下场景的生意本质是一样的，都是通过提效率、降成本、增营收的方式，打造良好的ROI模型，进一步扩展市场从而获得更大的经济效益。

那么，整个商业闭环涉及的各个环节是什么？
一、用户拉新
用户拉新的方式常见的有几种：地推、手机预装、品牌流量推广、社交推荐、用户裂变等。不论是哪种方式，用较低的成本获取更多的目标用户始终是拉新的最终目标。从理论上讲，任何用户都是有价值的，关键看平台的服务与内容能否满足拉新用户的需求。当然，并不是拉来的用户有什么需求，平台的服务就定位成什么样子。而是根据平台的定位去定向获取新用户。
在目前的大环境下，用户获取的成本越来越高。从移动互联网兴起的2011年直到现在，以手机预装获取用户为例，单个用户的获取价格从最初的0.3~0.4元，已经攀升到了10元左右，这还不算预装的手机里其实有大量用户根本就从未使用过此预装的APP。因此，如果想做一个不亏本的买卖，那么就得保证单个用户在平台内产生的商业价值要远超过10元。所以这就对平台的盈利能力和留存能力提出了很高的要求。这也是智能推荐会在移动互联网技术运营市场越来越重要，越来越受欢迎的重要原因。
二、商业变现
商业变现是一款APP能否立足市场的重要检验标准。商业变现的方式与各家平台提供服务的属性高度相关。一般来说，会有以下五种方式：
1.广告变现。广告变现几乎是所有提供资讯内容平台的变现方式之一。逻辑也相对来说比较简单，每个平台都有自己的用户群体，每个用户群体都有相对应的品牌。品牌方可以选择符合自身目标客户的平台进行广告推广。对于目标用户群体较为广泛的资讯平台，诸如今日头条、百度等。为了提升广告投放的效率，在广告投放也纷纷引入了个性化推荐的方式：即千人千面的广告信息。
2.电商转化。典型的如小红书、马蜂窝，从社区走向了社区电商。也有很多社交平台，像抖音、快手、微博，其带货能力也非常强。能开辟出适合自己的一套变现方式。跨数据类型推荐的方式，也能实现流量的转化。
3.会员付费。比较适合知识付费、长视频和社交软件。
4.直播。多用于社交软件和短视频软件。
5.小额贷款。金融一直是利润率比较高的盈利方式。
三、内容分发
内容分发方式是多样的，包括算法分发、编辑（人工）分发、社交分发等，内容平台会根据自身的特点选择分发效率高的分发方式。一般来说，在内容平台内会存在多种分发方式并存的情况。
例如，新闻场景中，可能会有固定类型的新闻需要在指定的位置上展示，其他推荐位置才会用到算法分发。微博的热点场景即是算法分发，而关注版块的算法则纯粹是基于订阅的社交分发。或者是一个业务场景，各种分发方式以权重的形式参与最终结果的呈现。如电商搜索版块，不仅用到了以语义和用户行为为主的个性化搜索排序，还将主推商品、流量商品等加大权重，使这些商品在分发过程中，会有更大的概率、顺序较为靠前地展现在用户屏幕上。当平台有海量的内容和数以百万计、千万计的用户规模时，信息与用户地有效匹配显得尤为重要，自然会通过多种方式提高分发效率。
四、用户运营
用户运营所做的事情无非是四个方面：拉新、促销活动、留存和转化。按照方式方法可以分为：活动运营 、内容运营、渠道运营、产品运营，等等。
用户运营的日常工作是看数据、做运营，数据化运营是用户运营的前提，而智能推荐所实现的千人千面、高效的信息匹配又是数据化运营中的重要组成部分。
用户的运营价值=用户生命周期价值-获客成本-运营成本，这个公式也与本书的ROI模型较为类似。在运营体系搭建，没有太多用户基础数据的初期，很多运营人员为了做用户营销，只能通过简单的年龄段、APP使用周期长短等为依据做用户分层，假设不同层次的用户喜好，希望以此为奖励去激励用户转化。这种方式是纯粹的“摸着石头过河”。

以为A类用户喜欢青菜，可是萝卜的销量却同比上升30%。以为B类用户喜欢萝卜，可是青菜、萝卜他们都不喜欢，总体销量下降60%，这都是常见的事。一般在看到活动后的复盘数据，你会大跌眼镜，简直是摸到了礁石。

用户运营是基于数据千人千面地服务每个用户的思路，需要了解每个用户的所思所想（当然，你也可以交由机器去了解）。不过，鉴于用户运营是件知识体系庞杂的事情，故不在此书中展开叙述，我们只会涉及运营人员如何正确使用推荐系统的问题。
所以，我们可以看到，推荐系统在整个内容平台的生意模式里会参与内容分发、用户运营，而且分发质量的好坏还会影响商业变现的能力。
其主要的作用是：
1.在内容分发阶段实现更高效率地匹配，从而提高商业变现的价值。
2.在用户运营阶段，更多的服务用户的碎片化时间，将用户持续的留在平台内，提高平台的留存率和用户的平均使用时长，在不干预用户拉新的前提下尽可能稳定住平台的用户池，让用户尽可能少的流失。运营人员再通过运营手段将用户池的用户尽可能的更高效率地用去拉新和商业变现，从而完成整个商业的闭环。
所以推荐系统在内容平台的价值我们可以归结为：提留存、提营收。