推荐引擎产品及应用方案介绍

目录
⏹推荐引擎方法论及系统介绍
⏹推荐引擎应用案例示例
项目背景
⏹互联网时代的企业运营是一个多维度多层次的综合体系，可以归纳为三个层面：竞争
(Competition)、顾客(Customer)和公司(Company)
⏹互联网应用遍地开花，面
临着异常激烈的竞争。

电子商务：淘宝、京东、亚马逊、当当、凡客诚品 媒体服务：土豆网、优酷网、PPS、YOUTOBE
社交网络：新浪微博、FACEBOOK、开心网、人
人网
移动互联网：APP Store、
Android Store ⏹互联网时代，信息需要
“由搜索到发现”
数据大爆炸：web 2.0成为数据分享平台
信息获取越加困难：如App store有50万个应用，淘宝
有超过100万种商品。

由搜索到发现：帮助用户从“主动搜索信息”转向
“发现信息”
客户层面
⏹互联网时代，客户需求更丰富和多样化，但面对越来越多的信息，获取有用的信息却越来越困难。

⏹商家的推荐对客户的购买行为有明显的引导作用
App Store 应用
App Store 目前有50万个应用 用户最多安装148个应用
用户经常使用的应用不超过30个
应用分类 排行榜 本周最佳 专题 新品推荐 热门产品 员工最爱
智能推荐
App Store 通过以下8种方式帮助用户选择
京东商城 凡 客
商家对客户的引导
客户需求多样性，实现“智能推荐”迫在眉睫
微众市场
大众市场 小众市场 ⏹随着客户需求的多样化，以客户为中心进行精细化营销将成为系统运营的重点
⏹从产品数量、产品集中度、产品分类、产品使用场景等各个维度的竞争来看，实现产品的“智能推荐”迫在眉睫
推荐引擎的价值
1 2 3 价值一：提高的业务量
个性化的推荐系统能够向客户推荐他们感兴趣的视频，吸引客户的点播，从而促成整体业务量的提升。

价值二：提高交叉销售能力
个性化推荐系统在客户购买过程中向客户提供其他有价值的商品推荐，客户能够从
系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有
效提高系统的交叉销售。

价值三：提高客户忠诚度
个性化推荐系统分析客户的购买习惯，根据客户需求向客户提供有价值的商品推荐。

如果推荐系统的推荐质量很高，那么客户会对该推荐系统产生依赖。

因此，个性化推荐系统不仅能够为客户提供个性化的推荐服务，而且能与客户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。

推荐引擎的效果
⏹从定性和定量评估推荐效果，无论对用户体验还是产品运营，“推荐引擎”可实现双面双赢
定 性
定 量
⏹需求：挖掘用户潜在需求
⏹精准：提供个性化服务 ⏹深入：提高用户粘性
用户浏览量 用户使用量 用户付费率 ……
⏹价值：提高品牌形象 ⏹影响：增强核心竞争力 外 部 产品曝光率 产品使用量 应用付费率 ……
内 部
⏹使用：提高用满意度 ⏹激发：激发用户新的需求 ⏹消费：刺激用户付费消费
目录
⏹为什么需要推荐引擎
⏹推荐引擎应用案例示例
个性化推荐的理论基础
各种推荐方式的比较
推荐机制的转变
⏹建立不同使用场景的推荐机制，实现推荐机制从传统的大众化推荐向差异化推荐转变，并最终实现基于用户偏好的个性化推荐。

排行榜
人工筛选列表 精品库
创业计划作品
用户偏好
浏览推荐 下载推荐
收藏推荐
推荐模型的设计
⏹针对用户各种使用场景，构建推荐算法，实现差异化精准推荐模型。

⏹提高用户使用满意度
型 ⏹
⏹
⏹
协同过滤
剔除异常用户；考虑营销活动影响；结合MM 用户终端特征；确保每个应用及每个用户都有推荐。

⏹发现用户潜在需求 ⏹激发用户新的需求 创 新
将终端因素融入MM 智能推荐分析；实现MM 门户智能推荐模块、用户身份多维度识别技术；基于人工干预
的智能推荐结果优化，实时在线推荐技术。

难 点 ⏹提高用户满意度 ⏹
协同过滤
推荐引擎使用场景
不同目的用户会有不同的使用路径，在不同使用路径融入推荐功能，能够有效刺激不同使用目的的用户的需求。

推荐引擎的技术架构
目录
⏹为什么需要推荐引擎
⏹推荐引擎方法论及系统介绍
示例一：影视系统-排行榜式推荐
利用topN 算法，分析最近一周，所有节目（或各种类型的节目，如电影、电视剧、综艺、动漫等）的点播次数 ,取点播次数高的节目，向用户进行推荐。

依据最近最频繁使用算法，分析最近一个月，所有节目（或各种类型的节目，如电影、电视剧、综艺、动漫等）的点播次数 ,距离当前时间越近的点播次数给予越高的权重，加总一个节目在不同时间点的点播次数，取点播次数高的节目，向用户进行推荐。

根据topN 算法，分析最近3个月，所有节目（或各种类型的节目，如电影、电视剧、综艺、动漫等）的点播次数 ,取点播次数高的节目，向用户进行推荐。

根据topN 算法，分析最近一周，所有节目（或各种类型的节目，如电影、电视剧、综艺、动漫等）的点播次数 ,以及最近一周的前一周的点播次数，计算最近一周的点播次数相比最近一周的前一周的点播次数的增长量，取点播次数的增长量高的节目，向用户进行推荐。

示例二：影视系统-影片播放前的推荐
节目播放前，利用关联规则算法，分析最近一个月所有节目点播信息，推荐和用户当前点播
影片最有点播关联的节目。

示例三：影视系统-影片暂停时的推荐
在节目播放暂停时或者播放后，利用基于产品的协同过滤算法，分析最近一个月，所有用户对所有节目（包含各种类型的节目，如电影、电视剧、综艺、动漫等）的点播信息，推荐用户最可能喜欢的节目。

示例四：影视系统-基于用户喜好的推荐
分析最近一个月，所有用户对所有节目（包含各种类型的节目，如电影、电视剧、综艺、动漫等）的历史订购，收藏，收视行为，对各个行为的设定不同权重，得出用户的喜好比重，利用基于用户的协同过滤算法，推荐用户最可能喜欢的节目。

示例五：影视系统-针对用户订购行为的推荐
在用户收藏节目时，利用基于用户的协同过滤算法，分析最近一个月，所有用户对所有节目
（包含各种类型的节目，如电影、电视剧、综艺、动漫等）的历史订购行为，推荐用户最可
能喜欢的20部节目。

示例六：影视系统-针对用户收藏行为的推荐
在用户订购节目时，利用基于用户的协同过滤算法，分析最近一个月，所有用户对所有节目（包含各种类型的节目，如电影、电视剧、综艺、动漫等）的历史收藏行为，推荐用户最可能喜欢的节目。