上周一個(gè)做電商的朋友找到我說他們新上線的鮮花小程序用戶反饋?zhàn)疃嗟牟皇莾r(jià)格也不是物流而是“不知道買什么”。用戶打開App面對幾百種鮮花從玫瑰、百合到小眾的洋桔梗、郁金香選擇困難癥直接發(fā)作。他們試過按銷量排序試過人工編輯“本周精選”但效果都不理想——銷量高的永遠(yuǎn)是那幾款很多品質(zhì)不錯(cuò)但曝光少的花材始終賣不動(dòng)。這其實(shí)是一個(gè)典型的推薦系統(tǒng)問題但又不是那種動(dòng)輒千萬用戶、TB級數(shù)據(jù)的“大廠問題”。對于中小型電商、垂直領(lǐng)域平臺(tái)甚至個(gè)人開發(fā)者來說需要的不是一個(gè)復(fù)雜的算法黑箱而是一個(gè)能理解業(yè)務(wù)、容易上手、且效果立竿見影的解決方案。這就是“混合推薦算法”的價(jià)值所在它不追求單一算法的極致而是通過組合拳用相對簡單的邏輯解決實(shí)際業(yè)務(wù)中最頭疼的“冷啟動(dòng)”和“個(gè)性化不足”問題。今天我們就以“鮮花銷售推薦系統(tǒng)”為藍(lán)本拆解一套從零到一構(gòu)建混合推薦系統(tǒng)的實(shí)戰(zhàn)路徑。你會(huì)發(fā)現(xiàn)它的核心不是高深的數(shù)學(xué)模型而是一套將業(yè)務(wù)規(guī)則、用戶行為和協(xié)同過濾有機(jī)結(jié)合起來的工程化思維。真正決定推薦效果的往往不是算法本身有多復(fù)雜而是你有沒有想清楚你的用戶到底需要什么你的商品有什么特性以及如何用最低的成本驗(yàn)證你的想法。1. 為什么單純的“協(xié)同過濾”在鮮花電商里容易失靈在討論混合推薦之前我們必須先理解單一推薦算法的局限性。很多人一提到推薦系統(tǒng)第一反應(yīng)就是“協(xié)同過濾”Collaborative Filtering, CF——找到和你喜好相似的人把他們喜歡的東西推薦給你。這在電影、圖書、標(biāo)準(zhǔn)品電商領(lǐng)域非常有效。但鮮花電商是個(gè)特殊的領(lǐng)域它的商品特性讓協(xié)同過濾遇到了幾個(gè)硬傷1.1 商品生命周期極短數(shù)據(jù)稀疏性嚴(yán)重一束玫瑰的銷售周期可能只有3-5天過了最佳觀賞期就會(huì)下架。這意味著絕大多數(shù)商品無法積累足夠的用戶行為數(shù)據(jù)點(diǎn)擊、購買、評分。一個(gè)用戶買了A款玫瑰等他想復(fù)購時(shí)A款可能已經(jīng)下架了換成了B款?；谏唐?商品Item-CF的協(xié)同過濾需要商品之間有穩(wěn)定的共現(xiàn)關(guān)系這在快速輪換的鮮花庫存里很難建立。1.2 用戶行為動(dòng)機(jī)復(fù)雜難以用單一“評分”衡量用戶買鮮花動(dòng)機(jī)可能是“節(jié)日送禮”追求名貴、包裝精美、“家居裝飾”追求性價(jià)比、花期長、“表達(dá)歉意”特定花語或“隨手悅己”隨機(jī)、看眼緣。一次購買行為背后是復(fù)雜的、上下文相關(guān)的意圖。傳統(tǒng)的用戶-用戶User-CF協(xié)同過濾假設(shè)用戶興趣是穩(wěn)定的但一個(gè)用戶今天為母親節(jié)買康乃馨明天為自己買向日葵他的“興趣向量”在算法眼里可能是混亂的。1.3 “冷啟動(dòng)”問題格外突出對于新上架的花材沒有任何歷史行為數(shù)據(jù)協(xié)同過濾無法工作。對于新用戶同樣沒有歷史行為系統(tǒng)不知道從哪里開始推薦。在鮮花這種沖動(dòng)型、情感型消費(fèi)中如果不能在新用戶首次訪問的幾十秒內(nèi)抓住他流失率會(huì)非常高。所以如果你直接套用經(jīng)典的MovieLens數(shù)據(jù)集那套協(xié)同過濾方法效果很可能不盡如人意。系統(tǒng)要么總推薦那幾款“爆款”形成馬太效應(yīng)要么給新用戶推薦一些毫不相干的商品體驗(yàn)很差。那么混合推薦是如何破局的它的核心思想是不用一種算法包打天下而是針對不同的問題調(diào)用不同的“專家”。對于新商品用基于內(nèi)容的推薦看花材、顏色、花語對于有行為的用戶用協(xié)同過濾挖掘潛在興趣對于特殊場景如節(jié)日用基于規(guī)則的推薦進(jìn)行強(qiáng)引導(dǎo)。最后用一個(gè)策略層把這些推薦結(jié)果融合、排序、呈現(xiàn)給用戶。2. 構(gòu)建混合推薦系統(tǒng)的四層架構(gòu)從數(shù)據(jù)到展示一個(gè)可落地的混合推薦系統(tǒng)不應(yīng)該是一鍋亂燉的算法代碼。我建議采用一個(gè)清晰的四層架構(gòu)這能讓開發(fā)、調(diào)試和迭代都變得有條理。[數(shù)據(jù)層] - [召回層] - [排序?qū)覿 - [展示層]2.1 數(shù)據(jù)層定義你的“商品”與“用戶”這是所有推薦的基礎(chǔ)但也是最容易被忽視的一環(huán)。你需要定義清楚商品畫像Item Profile鮮花不是標(biāo)準(zhǔn)品你需要提取特征。至少應(yīng)包括基礎(chǔ)屬性花材類型玫瑰/百合/繡球、顏色、花語、價(jià)格區(qū)間、花期。場景標(biāo)簽是否適合送禮、是否適合家居、是否節(jié)日特定如情人節(jié)玫瑰、母親節(jié)康乃馨。實(shí)時(shí)狀態(tài)庫存量、新鮮度上架天數(shù)、促銷信息。用戶畫像User Profile除了用戶ID更重要的是能捕捉興趣的信號。顯式反饋評分、收藏、加入購物車。這在鮮花電商中收集較難但可以設(shè)計(jì)輕量互動(dòng)如“心動(dòng)”。隱式反饋這是關(guān)鍵。點(diǎn)擊、瀏覽時(shí)長、搜索關(guān)鍵詞如“藍(lán)色”、“送給老師”、購買記錄。一次購買行為可以拆解出購買的商品畫像、購買時(shí)間是否節(jié)日、收貨地址判斷是送人還是自用。上下文信息訪問時(shí)間工作日/周末、白天/晚上、設(shè)備移動(dòng)端/PC、地理位置可能影響配送和花材選擇。實(shí)操建議初期不必追求大而全的用戶畫像。優(yōu)先構(gòu)建高質(zhì)量的商品畫像并確保能準(zhǔn)確記錄用戶的每一次“點(diǎn)擊”和“購買”行為以及行為發(fā)生時(shí)的上下文如是否在情人節(jié)期間。這些數(shù)據(jù)是后續(xù)所有算法的燃料。2.2 召回層多路并行的“候選集生成”這一層的目標(biāo)是從全量商品庫中快速篩選出幾百個(gè)可能與當(dāng)前用戶相關(guān)的商品。我們采用“混合”策略即同時(shí)運(yùn)行多個(gè)簡單的推薦算法每一路稱為一個(gè)“召回通道”各自產(chǎn)生一個(gè)候選列表。對于鮮花電商我建議至少部署以下三路召回基于內(nèi)容的召回Content-Based邏輯根據(jù)用戶歷史喜歡點(diǎn)擊/購買過的鮮花特征推薦特征相似的其他鮮花。實(shí)現(xiàn)將商品畫像向量化例如把“花材”、“顏色”、“場景”變成One-Hot或Embedding。計(jì)算用戶歷史交互商品向量的平均向量然后計(jì)算該向量與全量商品向量的相似度如余弦相似度取Top-N。解決什么問題商品冷啟動(dòng)。新上架的鮮花只要它有畫像就能被推薦給喜歡類似特征的用戶。也適合興趣探索推薦同類但不同的花材?；趨f(xié)同過濾的召回CF-Based邏輯分為User-CF和Item-CF。User-CF找到相似用戶推薦他們喜歡而當(dāng)前用戶沒看過的。Item-CF根據(jù)商品共現(xiàn)同時(shí)被購買/瀏覽進(jìn)行推薦。實(shí)現(xiàn)對于中小規(guī)模數(shù)據(jù)可以使用輕量級的矩陣分解如Spark MLlib的ALS或更簡單的基于鄰域的方法。由于鮮花數(shù)據(jù)稀疏可以考慮對行為進(jìn)行加權(quán)購買 加購 點(diǎn)擊并使用時(shí)間衰減最近的行為更重要。解決什么問題挖掘潛在興趣?？赡苡脩糇约憾紱]發(fā)現(xiàn)喜歡某種風(fēng)格的花束但和他行為相似的其他用戶都喜歡系統(tǒng)就可以推薦給他?；跓徜N/規(guī)則的召回Rule-Based邏輯這是業(yè)務(wù)規(guī)則的直接體現(xiàn)。實(shí)現(xiàn)全局熱銷近期銷量最高的商品。品類熱銷用戶?？雌奉愊碌臒徜N商品。節(jié)日規(guī)則在特定節(jié)日情人節(jié)、母親節(jié)前置對應(yīng)主題商品。上新推薦專門推薦最近3天上架的新品。解決什么問題保證推薦結(jié)果的多樣性和業(yè)務(wù)導(dǎo)向性。防止協(xié)同過濾和內(nèi)容推薦陷入“信息繭房”。同時(shí)這是應(yīng)對用戶冷啟動(dòng)最有效的方式——新用戶來了先給他看最熱銷的或節(jié)日主推的總不會(huì)錯(cuò)得太離譜。技術(shù)選型提示召回層對速度要求高但對精度要求相對寬松?？梢钥紤]使用Redis或內(nèi)存數(shù)據(jù)庫存儲(chǔ)用戶/商品相似度矩陣或者使用Faiss這類高效的向量檢索庫來加速基于內(nèi)容的相似度計(jì)算。2.3 排序?qū)咏o候選商品“排座次”召回層吐出了幾百個(gè)商品但最終展示給用戶的可能只有幾十個(gè)如首頁瀑布流。排序?qū)拥娜蝿?wù)就是根據(jù)更精細(xì)的特征給這些候選商品打分、排序。這里才是機(jī)器學(xué)習(xí)模型大顯身手的地方但初期完全可以簡化。初期簡化版規(guī)則加權(quán)排序 你可以為不同召回通道的結(jié)果賦予不同的權(quán)重并為商品本身的特征設(shè)定加分項(xiàng)。例如最終得分 0.4 * 內(nèi)容召回得分 0.3 * 協(xié)同過濾得分 0.3 * 熱銷得分 0.1 * (如果商品是新品) - 0.05 * (如果商品庫存緊張) # 避免推薦馬上售罄的商品這種方法簡單直觀容易調(diào)試。進(jìn)階版機(jī)器學(xué)習(xí)模型排序 當(dāng)數(shù)據(jù)積累到一定程度后可以訓(xùn)練一個(gè)CTR點(diǎn)擊率預(yù)估模型如邏輯回歸LR、梯度提升樹GBDT或深度神經(jīng)網(wǎng)絡(luò)。模型的特征可以非常豐富 *用戶特征年齡、性別、歷史購買品類分布、消費(fèi)能力。 *商品特征價(jià)格、花材、顏色、歷史CTR/CVR轉(zhuǎn)化率。 *上下文特征時(shí)間、節(jié)日、天氣晴天可能更傾向明亮的花。 *交叉特征用戶歷史購買價(jià)格區(qū)間與當(dāng)前商品價(jià)格的匹配度。2.4 展示層最后的體驗(yàn)打磨排序好的列表不能直接扔給用戶還需要考慮去重同一個(gè)商品不要在不同推薦位重復(fù)出現(xiàn)。多樣性確保推薦列表里不全是紅玫瑰要有顏色、品類、價(jià)格的分布?？梢栽谂判蚝蠹尤胍粋€(gè)多樣性重排如MMR算法。解釋性在推薦商品旁加上小標(biāo)簽如“因?yàn)槟阆矚g向日葵”、“本周熱銷”、“新品首發(fā)”。這能增加用戶信任感和點(diǎn)擊意愿。UI/UX如何布局單列、雙列、滑動(dòng)圖片和文案如何設(shè)計(jì)這些非技術(shù)因素對點(diǎn)擊率的影響巨大。3. 從零搭建的實(shí)戰(zhàn)步驟與避坑指南理論說完了我們來看怎么動(dòng)手。假設(shè)你有一個(gè)基本的鮮花電商網(wǎng)站或小程序后端數(shù)據(jù)庫里已經(jīng)有了用戶表、商品表和購買記錄表。3.1 第一步數(shù)據(jù)準(zhǔn)備與商品畫像構(gòu)建這是最枯燥但最重要的一步。如果數(shù)據(jù)是垃圾出來的推薦結(jié)果也是垃圾。清洗商品數(shù)據(jù)確保每個(gè)商品都有完整的分類、花材、顏色、價(jià)格、花語等字段。如果數(shù)據(jù)不全考慮人工補(bǔ)全或利用商品標(biāo)題通過NLP如關(guān)鍵詞提取自動(dòng)補(bǔ)全。設(shè)計(jì)用戶行為日志在用戶每次點(diǎn)擊商品詳情頁、加入購物車、下單時(shí)記錄一條日志。日志至少包含user_id,item_id,behavior_type(click/cart/buy),timestamp,context(如來自哪個(gè)頁面)。構(gòu)建初始畫像商品畫像將分類、顏色等離散特征編碼成向量。用戶畫像新用戶初始化為空或賦予一個(gè)默認(rèn)畫像如“普通消費(fèi)者”。老用戶則根據(jù)其歷史行為商品畫像的加權(quán)平均來生成。3.2 第二步實(shí)現(xiàn)三路召回不要試圖一次性把三路召回都做得完美。采用MVP最小可行產(chǎn)品思路。先做基于規(guī)則的召回實(shí)現(xiàn)“全局熱銷”和“新品推薦”。這最簡單能立刻上線看到效果解決冷啟動(dòng)問題。再做基于內(nèi)容的召回實(shí)現(xiàn)一個(gè)簡單的余弦相似度計(jì)算。當(dāng)用戶點(diǎn)擊或購買了一個(gè)商品后立刻可以推薦相似商品。效果直觀容易解釋。最后嘗試協(xié)同過濾可以從Item-CF開始計(jì)算商品之間的共現(xiàn)相似度。由于數(shù)據(jù)稀疏計(jì)算前需要對行為矩陣進(jìn)行平滑處理如加一平滑。初期可以每天離線計(jì)算一次商品相似度矩陣存入Redis供實(shí)時(shí)查詢。避坑指南坑1相似度計(jì)算維度單一。計(jì)算內(nèi)容相似度時(shí)不要只用一個(gè)維度如只看花材。應(yīng)該綜合考慮花材、顏色、場景等多個(gè)維度并為不同維度賦予權(quán)重例如送禮物場景下“場景”權(quán)重應(yīng)提高?？?忽略時(shí)間衰減。用戶一年前的購買記錄和昨天的點(diǎn)擊記錄重要性顯然不同。在計(jì)算用戶畫像或協(xié)同過濾時(shí)引入時(shí)間衰減函數(shù)如指數(shù)衰減。坑3數(shù)據(jù)未歸一化。商品的價(jià)格、銷量等數(shù)值特征量綱不同直接計(jì)算相似度會(huì)導(dǎo)致高數(shù)量級的特征主導(dǎo)結(jié)果。一定要做歸一化如Min-Max歸一化或Z-Score標(biāo)準(zhǔn)化。3.3 第三步設(shè)計(jì)排序與融合策略初期強(qiáng)烈建議使用加權(quán)分?jǐn)?shù)融合。為每一路召回的結(jié)果賦予一個(gè)基礎(chǔ)分例如按召回順序給分規(guī)則召回1分內(nèi)容召回2分協(xié)同過濾3分。對商品本身的屬性進(jìn)行加分/減分例如新品0.5分庫存低于10% -0.3分。將所有候選商品按最終得分排序。在最終輸出前做一個(gè)簡單的多樣性過濾如果排名前10的商品中有5個(gè)都是“紅玫瑰”則只保留得分最高的2個(gè)后面的用其他品類的商品補(bǔ)上。線上效果評估不要只看算法指標(biāo)如準(zhǔn)確率、召回率更要看業(yè)務(wù)指標(biāo)。在推薦位上線A/B測試核心關(guān)注點(diǎn)擊率CTR推薦商品的點(diǎn)擊次數(shù) / 曝光次數(shù)。轉(zhuǎn)化率CVR通過推薦產(chǎn)生的購買次數(shù) / 點(diǎn)擊次數(shù)。推薦收入占比通過推薦渠道產(chǎn)生的銷售額 / 總銷售額。用戶停留時(shí)長/訪問深度推薦是否促進(jìn)了用戶探索更多商品。3.4 第四步迭代與優(yōu)化推薦系統(tǒng)是一個(gè)永遠(yuǎn)在迭代的系統(tǒng)。收集反饋建立推薦反饋埋點(diǎn)記錄用戶對推薦結(jié)果的“忽略”、“點(diǎn)擊”甚至“不喜歡”可以設(shè)計(jì)“不感興趣”按鈕。分析bad case定期查看推薦日志找出那些曝光高但點(diǎn)擊率為零的商品或者點(diǎn)擊了但未購買的商品。分析原因是商品圖片問題價(jià)格問題還是推薦理由不匹配升級排序模型當(dāng)規(guī)則排序遇到瓶頸時(shí)開始收集更豐富的特征嘗試使用邏輯回歸LR或LightGBM這類模型來做點(diǎn)擊率預(yù)估進(jìn)入機(jī)器學(xué)習(xí)排序階段。探索更多召回通道例如基于用戶搜索詞的召回、基于社交關(guān)系的召回如果平臺(tái)有社交屬性等。4. 混合推薦系統(tǒng)的長期價(jià)值從功能到資產(chǎn)搭建一個(gè)推薦系統(tǒng)短期看是為了提升點(diǎn)擊率和銷售額。但它的長期價(jià)值遠(yuǎn)不止于此。對于一個(gè)鮮花電商而言一個(gè)運(yùn)行良好的混合推薦系統(tǒng)最終會(huì)成為公司的核心數(shù)據(jù)資產(chǎn)和智能中樞。它讓你真正理解你的用戶和商品。通過分析協(xié)同過濾產(chǎn)生的“用戶分群”你能發(fā)現(xiàn)原來你的用戶可以分為“節(jié)日禮品型”、“日常家居型”和“小眾愛好者型”。通過內(nèi)容推薦的效果你能驗(yàn)證你對商品標(biāo)簽體系的定義是否合理——用戶真的認(rèn)為A花和B花相似嗎它讓運(yùn)營從“拍腦袋”到“數(shù)據(jù)驅(qū)動(dòng)”。上新一款新花材不再需要盲目猜測該主推給誰。系統(tǒng)可以根據(jù)其畫像自動(dòng)圈定可能感興趣的用戶群體進(jìn)行小流量測試根據(jù)點(diǎn)擊反饋快速判斷市場接受度。它提升了整個(gè)平臺(tái)的運(yùn)營效率。熱銷推薦能加速庫存周轉(zhuǎn)基于內(nèi)容的推薦能提升長尾商品的曝光最終使得整個(gè)商品庫的動(dòng)銷率得到優(yōu)化減少滯銷損耗?；剡^頭看混合推薦算法的精髓不在于“混合”這個(gè)動(dòng)作而在于一種務(wù)實(shí)的問題解決思路承認(rèn)單一模型的局限性針對業(yè)務(wù)場景中的具體問題冷啟動(dòng)、稀疏性、多樣性組合運(yùn)用最合適的技術(shù)工具。對于大多數(shù)中小型項(xiàng)目而言這種思路比盲目追求最前沿的深度學(xué)習(xí)模型更能帶來實(shí)實(shí)在在的業(yè)務(wù)增長。所以如果你的項(xiàng)目也面臨“用戶不知道選什么”的困境不妨從梳理你的商品畫像和用戶行為日志開始先搭建一個(gè)最簡單的“規(guī)則內(nèi)容”混合推薦框架。讓它跑起來收集數(shù)據(jù)觀察效果然后一步步迭代。記住推薦系統(tǒng)的終點(diǎn)不是算法復(fù)雜度而是用戶那句“嗯這正是我想找的”。