从人工智能目前的发展进程来看，其技术水平已经能够设计出主动推送人工智能系统了。传统推荐系统系统会根据用户请求来展现相关内容或产品，而主动推送系统则具备主动推送通知的功能，在内容有更新或更改时会主动通知用户，用户了解和阅读时会更加方便。

显然，主动推送系统能够提升用户参与感。然而，该策略起初是存在问题的，即内容选择不够智能，并不是所有用户都会对主动推送的通知感兴趣。越来越多的用户会选择忽略甚至关掉通知，久而久之，对系统和产品的满意度也下降了。

随着产品和内容的增加，内容有更新时很难做到及时给每一个用户推送内容。你需要的是一个真正智能的个性化推荐系统，它可以做到精准识别和推送的同时还有显著的效果。值得庆幸的是，升级版推送系统已经可以精确识别用户的相关项，也可以为他们提供相当多样化的产品组合。相反，传统的推送系统在用户选择和时间把握上表现的就不太好。

反向推荐方案
目前技术已经支持主动推送功能，一般传统推送系统只能返回相关内容列表，而使用新的API请求和算法后，就可以为用户生成任何内容列表。这种功能（反向推荐）能够识别目标用户，非常适合主动推送。

以下是几个反向推荐适用的场景：

• 内容有更新时，可以向相关兴趣的用户推送（新上映电影、推文、工作机会、产品等）。在此之前，最好抽样收集部分用户交互数据，否则只能基于算法推送内容。

• 商品推广促销。锁定精准目标客户，能有效提升转化率和参与度（限时特价订购，热门综艺等）

• 智能识别可能对打折促销感兴趣的用户（只向有购买意向的新用户推送）。

• 用于零售促销商品的电邮方案，比如某商品即将售罄、应该下架或需要推广。

• 建议类的电邮推送，比如不错的兼职，很棒的产品或其他利润高的投资项目。

• 求职工具，可以给需要找工作的求职者推荐合适的工作机会。

• 选定适合推送的新内容，提升用户的参与度。

• 对接下来的推送效果进行预判（提前确定哪些用户可能会感兴趣）。

• 给学生推送他们想看或需要的相关课程，帮他们完成作业或课题。

• 热点或领域的专家评论推荐。

• 游戏兴趣相同的玩家推荐。

• 交友软件中的潜在约会对象推荐。

• 社交网络中的推送，比如“他们也喜欢……”。

当然还有很多其他场景，总之反向推荐在提高效率和用户参与度方面的效果还是很显著的。

何时发送主动建议？
很多公司都习惯用日常EDM对用户进行地毯式×××。哪怕包含个性化推荐，但是很多用户还是会选择自动忽略或者过滤掉这些推荐，原因只有一个——他们不喜欢每天被没有营养的内容轰炸。因此建议可以根据用户行为和需求来优化推送策略和营销方案，这样的推送才能真正起到作用。

对主动推送来讲，推送的时机很重要。如果用户知道你不会轻易打扰他们，那么一旦你推给他们推送内容，他们就知道你推送的一定是有价值的内容，这都依赖于良好的推送时机。

有些公司可以通过行为数据监测来判断用户什么时候感觉无聊，以此计算最佳推送时间。基于会话的推荐系统甚至可以对用户行为进行建模，并预测下一次推送的最佳时间，不过目前相关技术还未成熟。最近有开发商说，可以为数百万的用户和项目开发一个基于会话的推荐系统。可惜，这些模型资源消耗大，且暂不具备商业价值。

对于深度用户，我们可以基于行为模式来建模，以此预测推送的最佳时间，但大部分用户不具备可预测性（零售难度大，媒体、兼职或教育相对容易一些）。

此外，有些客户可能会缺少互动记录，因为相当一部分的用户可以完美掌握推送的时间。因此基于会话的算法正式上线、价钱也合适之前，建议你还是去用一些简单的启发式算法。

合格的启发式算法是，当用户响应或有足够内容量的时候，会自动提高个性化推荐的频率，反之降低频率。在发送主动推送时，最好结合上述的周期性推送和通过反向推荐获得的偶然性推送两种情况，综合考虑后再发送。

反向推荐背后的算法
在传统推荐方案中，我们主动推荐内容，而在反向推荐时，则需要用户接受推荐内容。这样我们就应该了解，对于一条特定内容，哪些用户最有可能感兴趣。而获取这些用户的办法很简单，就是调研用户和特定内容的历史交互。另外，用户和内容的标签也非常有助于冷启动场景。

用于反向推荐的算法族几乎与标准推荐相同，包括协同过滤，矩阵分解等。通过ReQL自定义反向推荐是最具挑战的部分，其有助于在各种场景中使用。

原文作者为Pavel Kordík，由国内智能推荐平台先荐编译，部分有删改，转载请注明出处。