大部分人都听说过千人千面，也知道个性化推荐，那么千人千面具体的流程和应用是怎么样的？作者做了总结。

在做推荐或者搜索的同学大概都知道千人千面这个概念，就是个性化推荐或搜索排序。

一般主要应用在首页物品/内容feed流，页面的推荐模块，搜索结果页等。

举个例子：在淘宝搜索“衣服”，每个人的搜索结果不会完全相同，甚至差异很大，比如男女之间。

这就是千人千面，其主旨就是为了从一个大量的物品侯选池中match到用户最愿意与之产生交互行为的物品，这种交互可能是点击，加购，下单，转化，浏览等等。

01

先简单聊聊目前千人千面的大概流程：

1. trigger阶段：这个一般是基于用户行为数据挖掘，利用用户pin或者uuid去触发计算用户相关的个性化信息，给到推荐策略使用；
2. recall阶段：基于个性化信息，按照一定的策略去一个item的候选集里面进行item match，把符合阈值或者条件的item进行召回；
3. rank阶段：基于召回的item池，一般这里会做一次排序，一方面保证召回的结果是比较优质，且用户交互意愿比较强烈的；另一方面，如果召回的量太多，考虑性能以及用户实际的使用行为，进行截断。这个阶段也可以称之为粗排；
4. pageplacement阶段：这个是一个精排阶段。这个阶段会考虑更多详细的规则，比如单品加权，新业务扶持，品类曝光等等，最终展示给用户。

推荐和搜索总体步骤差不太多。

不过有的同学可能会发现一个问题：在tigger阶段，先要做的一步就是基于用户行为数据去做大量的数据挖掘工作，那么对于用户量比较少产品怎么办？按照这种方法肯定无法在推荐位曝光。

所以实际上推荐冷启动的问题本质就是缺少用户、物品和事务数据。（注：来之《推荐系统：技术、评估及高效算法》）

业界有很多解决冷启动问题的方法，不过今天参加了一个内部会议，还是get到了一些新的观点，觉得可以在后续的工作中试一试。

02

实际上除了上述的应用场景，营销投放领域也会应用大量千人千面。

比如在很多营销活动页，或者说广告投放中都会应用到个性化推荐，为不同的用户展示不同的广告，以提升广告的CPM。

下面的微信朋友圈广告，就是一个典型的个性化投放策略的应用，会给不同的人推不同的广告：

按照我的理解，简单的画了一个做营销或者广告的流程：

广告商把产品投到广告平台，广告平台按照一定的投放策略进行投放，最终得到的投放效果反馈到广告供应商。其中，个性化投放策略的制定就是基于用户数据。

其实，产品刚推出同样面临无法精准投放的问题。

这个时候，一般都会选取一些主流的媒体渠道做大量的曝光，然后从投放平台获得本渠道的广告投放效果。

一般对于一个广告来说到此就结束了，后续可能就是基于本次投放的效果做一些后续广告投放策略的优化。

但是，细细想想，如果此时让推荐系统联合广告营销效果，会产生哪些不一样的东西。

刚才说到，推荐在冷启动面临的本质问题就是缺少用户、物品和事务等数据，因此无法触发个性化推荐逻辑。

一般而言，从投放效果中我们可以拿到本次广告产品曝光的用户，点击的用户，用户在广告落地页的停留时长，下单的用户，产品的销量等等信息。

这些信息按照细分一下：

• 用户：产品曝光用户，产品点击用户，产品下单用户
• 物品：产品，产品所属的类目，销量
• 事务：曝光，点击，下单

如果有这些数据的话，那么产品在推荐场景下曝光的几率就会提升不少，这样就很有意思了。

比如一个影片想要在电商平台的首页推荐场景下露出，电商平台，商品的销量一般来说是一个权重很高的排序因子。

因为其在未上映之前是没有任何数据积累的，这个时候无论是搜索还是推荐的排序中，其实很难依靠正常的得分得到有效的曝光。

但是如果能把影响在各种营销渠道中的数据做一个打通的话，那么这个事情就很好办了。

所以今天的会上，一个大佬说：“千人千面实际可以有两种，千人千面和营销加千人千面。”

想想还真的是一种不错的思路呢。

#专栏作家#

夏唬人，公众号：夏唬人，人人都是产品经理专栏作家。某厂策略产品经理，关注推荐，搜索，AI策略方向，用数据来赋能业务。

本文原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。