1. 首頁 > 生活百科 > >

闡述引爆用戶流量的9個方法 怎樣引爆用戶流量？( 二 )

小知識用戶流量


二、協同過濾 ， 應用群體智慧如前所述 ， 標簽是我們對事物的抽象理解 ， 那有沒有一種方式能夠讓我們放棄標簽呢？以人的行為來標記內容 ， 這就是協同過濾的基礎思想 。
舉一個生活中的場景：初次為人父母 ， “無證上崗”的新手爸媽們內心是激動而又惶恐的 。 打聽 ， 成了他們育兒的重要法寶之一 。 “你家寶寶用的是什么沐浴液啊、你們有沒有上什么早教班啊…”親子群中 ， 無時無刻不在發生這樣的討論 ， 這樣的討論也構成大家后續消費決策的主要因素之一 。
這種基于人和人之間的相互推薦固然是弱社交關系分發的一種形態 ， 但是促成大家有價值信息交換和購買轉化的 ， 其實是人和人之間的相似點：為人父母、擁有相似的價值觀和消費觀 。
把用戶的消費行為作為特征 ， 以此進行用戶相似性或物品相似性的計算 ， 進行信息的匹配 ， 這就是協同過濾(Collaborative Filtering)的基礎思想 。
協同推薦可以分為三個子類：

  • 基于物品（Item-based）的協同
  • 基于用戶（User-based ）的協同
  • 基于模型（Model-based）的協同
1.基于用戶的協同
即切合了上面的例子 ， 其基礎思路分為兩步：找到那些與你在某一方面口味相似的人群（比如你們都是新手爸媽 ， 傾向于同一種教育理念） ， 將這一人群喜歡的新東西推薦給你 。
2.基于物品的協同
其推薦的基礎思路是：先確定你喜歡物品 ， 再找到與之相似的物品推薦給你 。 只是物品與物品間的相似度不是從內容屬性的角度衡量的 ， 而是從用戶反饋的角度來衡量的 。 使用大規模人群的喜好進行內容的推薦 ， 這就是在實際工程環境里 ， 各家公司應用的主流分發方式 。
3.基于模型的協同
是應用用戶的喜好信息來訓練算法模型 ， 實時預測用戶可能的點擊率 。 比如 ， 在Netflix的系統中就將受限玻爾茲曼機（Restricted Boltzmann Machines, RBM）神經網絡應用于協同過濾 。 將深度學習應用于基于模型的協同 ， 也成為了業界廣泛使用的方式 。
以協同的方式 ， 通過用戶行為的聚類發現許多隱層的連接 。
以讀書會的場景為例 ， 我們邀請不同的名家來領讀書籍 。 從領讀人的角度 ， 更容易直觀的將同一領讀人的作品視作一個聚類 ， 比如馬家輝老師領讀的《對照記》、《老人與?！穬杀緯?， 通過人工預判的前置規則 ， 我們很容易將這兩本領讀書音頻推薦給同一類用戶 。
但是 ， 通過協同的方式 ， 我們會發現喜歡馬家輝老師領讀作品的用戶 ， 同時也會喜歡楊照老師領讀的《刺殺騎士團長》一書 。 這種聯系 ， 是很難通過標簽信息發現的 ， 只有通過用戶的行為選擇 ， 才會建立聯系 ， 提升內容和用戶之間連接與匹配的效率 。
三、從冷到熱：內容和用戶在分發中的生命周期作為連接內容與人的推薦系統 ， 無時無刻不在面對著增量的問題：增量的用戶 ， 增量的內容 。
新的用戶、新的內容對于推薦系統來說都是沒有過往信息量積累的、是陌生的 ， 需要累積一定的曝光量和互動量（閱讀、分享等）來收集基礎數據 。 這個從0到1積累基礎數據的過程就是冷啟動 ， 其效果的好壞直接關系到用戶端、作者端的滿意度和留存率 。
如果我們假設一篇新內容要經過100次閱讀才能夠得到相對可信的內容畫像 ， 新用戶同樣需要完成100次閱讀之后才能夠建立起可用的用戶畫像 。 那么一個最直觀的問題就是：怎么樣達成這100次有效的閱讀？這就是冷啟動面臨的問題 。 下面我們從內容和用戶兩個維度來分別論述 。
在推薦系統中 ， 通過分析一篇內容的標題、關鍵字來確定要向哪個目標人群進行探索性展示 ， 借由探索性展示完成了從0到1的用戶反饋積累過程 。 在這個冷啟動過程中 ， 如果沒能得到足夠正面的用戶反饋（點擊行為和閱讀體驗） ， 系統就會認為這篇內容是不受歡迎的 ， 為了控制負面影響 ， 就會逐步降低這篇內容的推薦量 。
反之 ， 如果內容在冷啟動過程中順利找到了自己的目標人群 ， 收獲了很高的點擊率 ， 就有可能被推薦系統快速放大 ， 具有了成為爆款的可能 。 因此 ， 冷啟動決定一篇內容命運的說法 ， 可以說絲毫不為過 。
而對于用戶冷啟動 ， 推薦服務的是一個大目標：用戶的留存率 。
只有保證了用戶留存的前提下 ， 才會考量推薦的興趣探索效果如何 ， 是否在有限的展示里全面探索出了用戶的偏好 。 對于慢熱型的用戶 ， 我們并不急于獲悉他的方方面面 ， 而是以“留住用戶”作為第一目的 。

推薦閱讀