关于如何从0到1构建推荐系统的内容因为已经有很多了，本文的内容主要聚焦于O2O情境下推荐如何从1到N的优化实践。

2015年7月王兴提出互联网进入下半场，那O2O的下半场究竟是什么？通过1年多大公司的业务布局不难猜测，O2O行业下半场比拼的主要是两方面：一方面拼的是排号、点菜、买单等服务的一体化集成，另一方面拼的是通过社区化和个性化进行精准导购，提升用户粘性。

笔者曾先后在美团点评和蚂蚁从事个性化推荐的相关工作，在这里讲一讲在推荐推荐优化过程中踩过的坑以及一些业务方面思考。关于如何从0到1构建推荐系统的内容因为已经有很多了，在这里不做赘述，本文的内容主要聚焦于O2O情境下推荐如何从1到N的优化实践。

1 关联性推荐优于因果性推荐

先解释一下两个指标的含义：

关联性推荐是指用户本身存在某个诉求，通过捕捉到该需求，并向用户推荐相应的商户。关联性推荐进一步分为两类：

1. 通过更便捷的路径来满足既存需求，比如识别到用户已经在某个商户，推荐系统将该商户置顶，并且显示可用优惠，缩短用户出大路径。
2. 将用户打断的需求重新捡起来，例如用户近期搜索了“火锅”，但是并没有形成交易，那么推荐系统为用户推荐火锅的商户。

因果性推荐是指用户本身没有明确需求，推荐让用户无中生有的产生新的需求。

在学术界有个争议就是“关联性推荐”到底算不算推荐，因为他满足的是既存需求，严格意义上并没有创新新的需求，我个人的答案是yes，我们逆向来推，如果不做关联性推荐，用户虽然有既存需求，但是很有可能会流失，或者体验上没有这么流畅。所以我觉得不需要纠结在这一点，我们只需要在意用户觉得推荐准不准，用的爽不爽。

关联性推荐实践

1）识别用户所在商户

如果用户连接了wifi，很容易识别到用户所在的商户，然后将该商户置顶，并且外露商户优惠等信息。在所有的推荐策略里，该策略覆盖面随谈小，但是转化率最高。

还有一种方式，就是在商户详情页增加一个功能，就叫“我想去”，用户点击这个按钮之后，一段时间内，这个商户就可以在首页直接推荐，缩短用户查看路径。

2）识别用户意向到店

通过多种行为方式的组合，可以猜测出用户想去的商户。设想如果你要约一个朋友去吃饭，你会怎么筛选商户呢，一般路径都是先搜索看到感兴趣的商户，然后点进去看详情，包括查看地理位置、推荐菜，如果你点击了商户电话、收藏了商户，或者将这家商户分享到微信，那么你要去这间店的概率就更高了，最后再结合你的地理位置变化，就有极高的概率猜测出你要去哪一家店。

3）用户的实时行为

在这里讲述两个概念，用户的长期偏好和实时偏好，我们常说的用户画像一般都是指用户的长期偏好，例如笔者的长期偏好是日料，但是可能因为最近喜欢一个妹子，但是妹子喜欢火锅，所以我的短期偏好就是火锅。而且通过实践证明，用户的偏好是会随时间衰变的，实时偏好的数据更能表征用户当下的需求，推荐效果也更精准。

实时偏好一般可以通过用户的搜索、导航筛选或者用户浏览来推断，倘若用户没有形成交易闭环，比如购买团购、买单、排号等行为，我们可以假设他的需求没有被满足，可能是没找到合适的店，也可能是需求被别的事情打断了，这个时候我们将用户实时偏好的商户推荐给用户转化率往往比较好。

因果性推荐实践

1）协同过滤算法

包含基于商户的协同过滤和基于用户的协同过滤，其实质就是中国人常说的“物以类聚、人以群分”，前者是根据你喜欢的商户，为你推荐类似的商户，后者是先找到与你口味相似的人，然后推荐他们喜欢的商户。有很多文章讲述二者的区别，这里不做展开赘述，唯一强调一点是，二者虽然推荐方式类似，但是推荐结果仅有50%左右是雷同的，因此在实践中不一定非要二选一，可以将两种策略结合使用，效果更好。

2）用户长期偏好

这里的用户偏好是指用户的长期偏好，非实时偏好，识别出用户的长期偏好后，为期推荐相应的商户。

从实践结果来看，关联性推荐>因果性推荐>补余推荐(附近热门、全程热门)，而且关联性推荐更容易让用户产生一种“推荐很准”的印象，因此建议构建推荐系统的时候，可以重点考虑关联性推荐。

2 所有的喜欢都是熟悉+意外

在我做推荐之初，一直有个疑惑，就是什么才是好的推荐，当时咨询了很多人，大家分成两派，一派觉得好的推荐，就是向我推荐优质的但是我没去过的商户；另外一派觉得好的推荐就是向我推荐我熟悉的店，因为大家平时去的店相对都是固定的，推荐给我陌生的店，我也没兴趣。

这两种意见都有自己的弊端，推新的内容，用户不理解，势必造成数据效果差，但是总是推用户熟悉的东西，会形成马太效应，越推越窄。

后来读到一篇文章，讲有一个音乐应用软件，最开始设计算法的时候，是只推荐用户没听过的音乐。但是在内部测试的时候，程序出现了一个bug，在给用户推荐新的音乐之外，还错误地推荐了一些用户已经听过的、甚至很熟悉的音乐。这样测试了一段时间，效果还不错。后来程序员发现了bug，立刻改正了，让程序只推荐新的音乐。结果发现，改正后的算法反而没有原来的算法受欢迎。所以其实人们并不喜欢完全陌生的东西，并且总是希望能从新东西中发现点熟悉的元素。

看到这篇文章，我豁然开朗，原来好的推荐就是在新奇和熟悉之间寻找一个平衡点，如何寻找这个平衡点呢，有几种方式：

从人出发

统计用户过去常去店铺的重复度，如果重复读很低，说明用户相对更喜欢新奇的商户，这时候增大新商户的占比，反之亦然。

从场景出发

一般情况下工作日大家一般倾向于去近一点、熟悉一点的商户，周末大家倾向于去探索一些新奇的商户。

3 推荐理由是提升用户信任的桥梁

向用户推荐的商户，尤其是对用户来说陌生的商户，推荐理由可以降低用户的理解成本，提高信任感。加了推荐理由点击数据不一定能提升(笔者通过AB测试，数据仅提升1%)，但是推荐理由能够提升用户的浏览体验，明白推荐逻辑。以下是一些推荐理由的一些case：

• 好友推荐：Jason等x个好友推荐，最好将用户亲密度高好友名外露
• 名人推荐：歌手薛之谦开的店
• 媒体推荐：《星尚》频道推荐
• 入选榜单：《美食与美酒》杂志评选2016 best 50餐厅
• 人以群分：与你口味相似的人都喜欢，摩登主妇都喜欢
• 用户行为：您7天前浏览过的商户

4 推荐的最高境界是让用户产生惊喜

惊喜是什么？Wiktionary的定义是：

An unsought, unintended, and/or unexpected, but fortunate, discovery and/or learning experience that happens by accident.

并未刻意寻找的，并未提前期待的，可又是幸运的且意外发现。举两个我碰到的例子，一个是音乐，有一些人可能遇到过这样的一种场景，就是一直听到一首很喜欢的歌，但是就是不知道歌名，然后在网易云音乐听到以后会去评论说我这这首歌好久，终于找到了。网易云音乐专门去挖掘过这样的评论，然后将这些音乐推荐给用户，用户自然就会产生很大惊喜感。另外一个是kindle，一天老大告诉我们，kindle太神奇了，他老婆在读一本书，刚推荐给他，他就发现他的kindle也向他推荐了这本书，我们猜测kindle是通过两人经常在晚上连接相同的wifi来猜测二者的家人关系，然后将一个人喜欢的书推荐给另外一个。

那么O2O推荐怎么创造惊喜感？以下是一些考虑的切入点：

1. 他乡遇故知：当用户在陌生环境里的话，推荐其好友去过的店铺，这一点在国外环境尤其适用，试想当你来到韩国首尔旅游，发现附近一家店你的好友曾经点评过，会不会产生一种“他乡遇故知”的亲切感；当然退一步直接推荐附近美食排行榜，同样是适用的，会产生一定的惊喜感。
2. 月是故乡明：巧妙使用用户的身份标签，例如故乡信息，Jason来自洛阳，我们那里的特色美食胡辣汤，这时候向我推荐附近的胡辣汤商户，并且注明推荐理由，或者向我推荐洛阳人最爱的餐厅合集，我会很有感触。
3. 爱他之所爱：通过用户连接wifi信息等，是可以判断用户的家人/朋友关系的，这时将家人/朋友喜欢的店推荐给另外一个人，是会让用户产生惊喜的，尤其是当两人去同一家店的时候。

5 丰富推荐维度进行全方位命中

猜你喜欢式的个性化推荐，是普适性推荐，推荐逻辑很多都是黑盒的，对于用户来讲形式单一，趣味性不足。在推荐维度方面，做的最好的是某宝，光在推荐维度上有5种，在用户分层和内容形态上互为补充，均取得了较好的效果。

按照用户细分

用户细分的方式一般有两种，1）用户消费能力，比如中高客单价的用户群和低端客单价的用户群；2）用户分层，比如学生党、辣妈、有车一族等，通过身份标签来获得认同，同时可以满足较长尾的用户需求

按照内容组织形式

内容组织形式包含3种。1）直接推店铺或者优惠(点评猜你喜欢)，2）通过UGC短评来推荐(某宝的有好货)，以及现在很流行的PGC文章来推荐(小红书等)。其中PGC一般较为专业，定位于中高端人群更合适。

作者：Jason（微信号liuzs0204），阿里巴巴资深产品经理，前美团点评搜索与推荐产品经理。

本文由 @Jason 原创发布于人人都是产品经理。未经许可，禁止转载