个性推荐从1到N该如何进行优化？( 二 ) 2015年7月王兴提出互联网进入下

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

文章插图
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：

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。
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。
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。