从0开始做垂直O2O个性化推荐-以58到家美甲为例

从0开始做垂直O2O个性化推荐

上次以58转转为例，介绍了如何从0开始如何做互联网推荐产品（回复“推荐”阅读），58转转的宝贝为闲置物品，品类多种多样，要做统一的宝贝画像比较难，而分类别做宝贝画像成本又非常高，所以更多的是进行用户画像、分类预测推荐、协同过滤推荐等个性化推荐。

有些同学反馈，他们的产品是垂直类的O2O产品，分类单一，可以简单的实现宝贝画像，这类垂直O2O产品怎么从零开始做个性化推荐呢？这是本文要讨论的问题

一、58到家美甲简介

58到家有三大自营业务“家政”“美甲”和“速运” ，美甲能够实现“足不出户，享品质服务，做美丽女人”，目前提供上门美甲、修复与卸甲、美睫、化妆等服务。

http://bj.daojia.com/liren/

二、从0开始设计垂直O2O推荐框架

（1）列表页推荐：用户既然进入到了美甲，成交意愿是非常强烈的，首页的推荐至关重要

（2）宝贝详情页推荐：买了还买，看了还看类的关联宝贝推荐

（3）下单成功页推荐：既然下单了某个甲样，可能会喜欢相近的甲样哟

（4）召回推荐：在用户退出系统后，通过RFM模型做优惠券推送或者消息推送做客户挽留与召回

RFM模型：根据用户最近一次购买时间Recency，最近一段时间的购买频率Frequency，最近一段时间的购买金额Monetary，加权得到的一个代表用户成交意愿的一个分值。

三、甲样列表页推荐详细流程

（1）用户点击进入甲样列表页

（2）画像用户的消费能力

（3）抽取购买、收藏、喜欢、浏览的历史数据

（4）根据历史数据，对所有甲样进行打分，综合一些产品策略，推荐出首屏的4个甲样，例如：

（5）如果用户下单，以被下单的相似甲样做推荐

（6）如果用户跳出，可以根据信用评级、消费等级做优惠券召回推荐

四、与业务紧密结合的策略规则

推荐系统并不是一个单纯的算法问题，而是一个与产品、工程架构都相关的综合性问题，不同的业务会有不同的产品策略，这些是在做推荐时需要考虑的，以美甲为例，需要考虑：

（1）排序前2名要推荐最符合用户消费能力的甲样（例如“价格小于150”）

（2）被推荐的4个甲样要覆盖尽可能多的消费区间（例如“两个甲样价格小于150，两个甲样价格大于150”）

（3）被推荐的4个甲样要覆盖最火的产品、旧产品、新产品（例如“1个爆品，2个旧加油，1个新甲样”）

（4）垂直相邻的甲样，颜色不同（为了视觉体验）

（5）水平相邻的甲样，颜色不同（原因同上）

（6）垂直相邻的甲样，款式不同（为了视觉体验，以及产品覆盖度、受众度）

（7）水平相邻的甲样，款式不同（原因同上）

（8）…

五、如何利用甲样画像与用户购买、收藏、喜欢、浏览的历史数据对所有甲样进行打分？

【宝贝画像】

垂直O2O的相对比较容易做宝贝画像，宝贝品类比较单一（甲样），宝贝的品种也比较少（几千几万种甲样），熟悉业务的人可以对宝贝进行画像（不需要复杂的机器学习方法），以甲样为例，可以抽象出：

款式

颜色

风格

场景

图案

其他

等多个核心属性

【核心属性赋值，标签化】

宝贝画像完毕之后，对于每一个核心属性，可以进行赋值，实施标签化

款式：纯色，法式，渐变，彩绘，贴饰

颜色：红色，粉色，蓝色，白色

风格：简约，甜美，复古，可爱

场景：派对，旅行，约会，晚宴，夜店

图案：卡通，小碎花，动物，桃心，五角星

【抽取用户历史行为】

抽取购买、收藏、喜欢、浏览的历史行为数据，得到一些甲样ID集合set<bb-id>

【查询所有历史行为甲样ID的画像属性，对标签进行频率统计】

用户U历史行为某买了甲样1：bb-id1，收藏了甲样2：bb-id2

从库中查询出所有甲样的详细属性

bb-id1：彩绘，红色，可爱，夜店，桃心

bb-id2：彩绘，粉色，可爱，夜店，桃心

对标签进行统计

款式：{彩绘：2}

颜色：{红色：1，粉色：1}

风格：{可爱：2}

场景：{夜店：2}

图案：{桃心：2}

【根据标签统计，量化对标签的喜爱程度】

例如，标签量化打分公式可以为：score=同类标签出现频率

那么，对于“款式”这个属性，依据上述统计，各标签的打分是：

纯色=0分，法式=0分，渐变=0分，彩绘=1分，晕染=0分，贴饰=0分（假设只有5种款式）

同理，对于“颜色”这个属性，依据上述统计，各标签的打分是：

红色=0.5分，粉色=0.5分，蓝色=0分，白色=0分（假设只有4种颜色）

…

这个打分是一个简单举例，实际上的打分公式会复杂很多（例如购买与收藏贡献的分值不一样）

【根据上述量化标签，量化用户对每个甲样的喜爱程度】

例如，对于一个甲样X{纯色，红色，简约，夜店，卡通}，可以计算出用户对它的喜爱分值为

socre-X = 0(纯色) + 0.5(红色) + 0(简约) + 1(夜店) + 0(卡通) = 1.5分

这个打分是一个简单举例，实际上打分公式会复杂很多（例如各个属性的权重是不一样的）

【对所有甲样计算分值，排序】

【从高到底进行甲样推荐】

推荐的过程中注意，4款甲样要符合第四个大步骤中提到的产品策略（要覆盖各个价格范围，相邻颜色与样式不同等）

【个性化推荐完成】

好了，暂时先到这里，上面的思路绝对是能落地的，希望58到家美甲的推荐，对其他刚开始做垂直O2O互联网产品的同学有帮助。

注：本文是58到家推荐负责人@王洪权做58到家美甲推荐技术交流时，@58沈剑做的纪要，内容“略”有修改。

==【完】==

从0开始做垂直O2O个性化推荐-以58到家美甲为例相关推荐

应用宝 android 平板,应用宝HD2.0个性化推荐最优安卓平板软件
近日, 腾讯应用宝HD2.0新版发布.智能算法让个性化推荐更体贴,应用推荐更加想你所需.懂你所好.细致优化后的应用更新功能,优先展示经常更新的应用,让更新更和心意.另外,还新增新手引导,即便第一次使 ...
老板说“我们要做个性化推荐”时，你该怎么办......
PMCAFF(www.pmcaff.com):互联网产品社区,是百度,腾讯,阿里等产品经理的学习交流平台.定期出品深度产品观察,互联产品研究首选. 外包大师(www.waibaodashi.com): ...
deep deepfm wide 区别_个性化推荐如何满足用户口味？微信看一看的技术这样做
原标题:个性化推荐如何满足用户口味?微信看一看的技术这样做编辑导读:很多人每天都会习惯性地点开微信公众号阅读,除了朋友圈和转发等渠道以外,我们还可以通过看一看发现更多有趣的文章.那么,看一看是怎么实 ...
Personal Rank——个性化推荐召回算法python
慕课推荐系统笔记 1.个性化召回算法Personal Rank背景与物理意义 1.首先介绍基于图的个性化召回算法-personal rank的背景. (1)用户行为很容易表示为图图这种数据结构有两个 ...
【推荐系统】深度学习大行其道，个性化推荐如何与时俱进？
作者|携程基础业务研发部编辑|Emily AI 前线导读:携程作为国内领先的 OTA,每天向上千万用户提供全方位的旅行服务,如何为如此众多的用户发现适合自己的旅游产品与服务,挖掘潜在的兴趣,缓解信息 ...
深度学习技术在美图个性化推荐的应用实践
导读:美图秀秀社交化的推进过程中,沉淀了海量的优质内容和丰富的用户行为.推荐算法连接内容消费者和生产者,在促进平台的繁荣方面有着非常大的价值 .本次分享探讨美图在内容社区推荐场景下应用深度学习技术提升 ...
CSDDN特约专稿：个性化推荐技术漫谈
本文引自http://i.cnblogs.com/EditPosts.aspx?opt=1 如果说过去的十年是搜索技术大行其道的十年,那么个性化推荐技术将成为未来十年中最重要的革新之一.目前几乎所有大 ...
京东数据驱动下的个性化推荐
刘尚堃京东数据驱动下的个性化推荐系统(PPT附下载) Optimus Prime 2015-11-12 7:09:10 人物观点评论(0) 刘尚堃·京东推荐搜索部技术总监刘尚堃,京东推荐搜索部技 ...
神策数据 VP 张涛：个性化推荐从入门到精通（附推荐产品经理修炼秘籍）
本文内容来自于近期神策数据举办的<智能推荐--应用场景与技术难点剖析>闭门会上的分享内容整理,分享者为神策数据副总裁张涛,曾就职于腾讯.映客和豌豆荚等知名互联网公司. 大家好,我是张涛,在 ...

从0开始做垂直O2O个性化推荐-以58到家美甲为例

从0开始做垂直O2O个性化推荐-以58到家美甲为例相关推荐

最新文章

热门文章