知识卡片
YarnIt 的推荐功能族:从热门榜到协同过滤
ML 在 yarnit.ai 这类网店可服务多种业务目标:提高转化率与客单价以增加收入、提高利润率,甚至改善顾客忠诚度;今天的消费者不愿被当成众多顾客之一,更想要高度个性化的体验,而商品推荐正是大量功能可由模型驱动的地方。模型可用商品目录、搜索词、浏览历史、过往购买、购物车商品、社交推荐、位置、客群画像等数据,正如人熟悉一个人之后能挑出最合适的生日礼物。功能族包括:按总销量展示热门毛线(非个性化,依据购买数、某类花样毛线的浏览时长、所在国家/地区的浏览与购买量排序,需考虑多国运营的文化与季节因素;按品类展示热门还能触达无账号历史的新客即冷启动问题,且只依赖更常见可靠的成熟数据库技术)、按浏览历史推荐(搜羊毛线就展示主打羊毛制品的品牌与花样)、交叉销售与向上销售(看婴儿毛线时给配套花样与热门婴儿服饰、给大包装或捆绑折扣,既提客单又帮顾客省钱省时)、基于内容的过滤(用元数据做「相似商品」,元数据准确性对质量影响很大,例如同色同材质换到评分相近且正在促销的另一品牌)、协同过滤(最流行,仅依据其他用户对商品的正向交互,认为过去偏好相似者未来喜好也相似,且信任真实选择而非可能只是估计的评分;主流大店通常把协同与基于内容两种方法结合)。评估推荐模型是否奏效,可用简单 A/B 测试配「该算法能把互动或转化提升 x%」的假设,每个备选对应一种推荐技术。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- How Product and ML Interact · 查看原书依据
Product recommendations is an area in which a lot of features can be powered by ML models.
参考来源
- 位置:《Reliable Machine Learning》第12章《How Product and ML Interact》(源文件:extracted/Reliable Machine Learning/_epub-src/OEBPS/ch12.xhtml)
- 结论依据:原文明确阐述该主题,并给出定义、实践或反例。
- 原始内容:Product recommendations is an area in which a lot of features can be powered by ML models.