《策略产品经理》青十五-pdf,txt,mobi,kindle,epub电子版书免费下载

由于链接总是被和谐,需要本书电子版的朋友关注公众号:【奥丁读书小站】(njdy668),首页回复书名或者数字4310, 自动弹出下载地址.

副标题:模型与方法论

作者: 青十五

内容简介:

这是一部从数学、经济学、人工智能3个角度讲解策略产品经理方法论的著作。

作者对自己多年的策略产品经验进行了总结和提炼,D创了函数方法论和经济学方法论。这些方法论在大量实践中被证明行之有效。本书对这两大方法论进行了详细讲解,并且重点讲解了策略产品经理应该掌握的机器学习、深度学习核心知识。

更重要的是,本书还传递了一种非常重要的策略产品思想:所有的产品策略问题都可以用模型来解读。模型能帮助我们快速揭开问题背后隐藏的本质,从而实现举一反三,融会贯通。本书围绕搜索、推荐、广告、定价、匹配调度等各种常见的应用场景,总结了大量策略产品模型。

试读

推荐系统的策略分析

通常来说,我们可以定义个性化推荐问题的业务函数为:

其中,user为用户;item为待推荐的物品(内容或商品);函数的输出为根据用户对每一个物品进行评分或物品推荐后用户点击的概率,系统根据这一输出从大到小排序并将排序结果作为最终的推荐结果。

一个从零开始构建的个性化推荐系统策略的发展大致上会分为如下几个阶段。

1.基于内容的推荐

第一个阶段称为基于内容的推荐策略,这一推荐策略的核心思想是基于物品本身的一些属性或内容元数据(例如标题、描述文本等),根据物品与物品之间的相似度进行推荐。根据这一思想,我们可以将用户最近一段时间或最近浏览/购买过的物品作为一个集合,计算他们与目标物品的相似度。由此可将业务函数转化为:

更具体来说,可以有下面两种思路。

1)文本方法。在这一方法中,我们把物品的集合视为用户搜索的一个query。query可以由物品的标题组成(短文本),也可以由与物品相关的所有描述文本组成(长文本),这样将推荐问题转化为已知的搜索问题,从而通过复用搜索策略中的方法来求解:

2)向量方法。对于一些不适合转化为query文本的属性,例如商品价格、上架时间、标签化信息等,可将其连同物品描述文本信息整体抽取为一个特征向量,通过计算其与目标物品特征向量的各种相似度度量来进行推荐:

这样最终得到了一个推荐问题的策略,即业务函数f({items}u,item)。这一策略依靠用户的少量访问或购买记录就可以启动,对用户量、DAU等都没有要求。同时,这也是一个较为通用的业务函数,它既可以应用于物品详情页,作为详情页的一个关联推荐模块(取物品集合{items}为当前物品即可),也可以应用于首页或用户中心作为个性化推荐模块,例如基于用户最近浏览内容进行推荐,或类似图5-14中所示的“根据您所购商品推荐商品”,因此,非常适合早期没有多少用户量时作为个性化推荐的基准策略使用。

2.基于用户评价或行为的推荐

随着时间的推移,基于内容的推荐策略的问题逐渐凸显出来。虽然说每次给用户推荐的结果确实与用户最近浏览的物品非常相关,但时间一长用户就会发现自己就好像被困在了同一个主题或一类商品中,无法看到其他物品,除非自己跳出循环主动寻找新的内容或商品——这样的推荐系统好像总是缺乏一些“不期而遇的惊喜”。

不过好在现在用户规模与用户活跃度上来了,基于这些用户的评价或行为,我们又有了新的策略。在这一策略中,将每个用户和物品都视为独立个体,根据用户历史上对物品是否访问或访问后的评价数据构建图5-17所示的用户-物品评分矩阵。

图5-17 用户物品评分矩阵

与之对应,待求解的问题即为预测矩阵中未知的部分,即当用户面临未曾访问或评价过的物品时会做出怎样的评分,并以此作为是否将该物品推荐给该用户的依据。用形式化语言表达即为对于任意用户u和物品i,预测其评分的业务函数:

从不同的假设出发,函数的模型具体来说又可以分为如下几种。

·基于用户的协同过滤模型:这一模型假设爱好类似的人喜欢的物品也是高度相似的,因此,通过与目标用户相似度高的其他用户的喜好去推荐。

·基于物品的协同过滤模型:这一模型假设物品与物品之间也存在相似度,并且这种相似度不是通过标题、描述文本等内容来体现的,而是通过同时喜欢这两个物品的用户群来体现的,根据这一信息我们可以对目标用户喜欢的物品进行扩展推荐。

·隐语义模型:这一模型假设用户与物品之间的连接存在一些隐含的变量,这些隐变量在模型内部借助矩阵分解的方法表达了用户的喜好与物品的属性,同时为目标用户对目标物品的评价做出了预测。

这些模型作为推荐系统的经典模型,其推导过程将会在7.4.2节详细介绍。这些模型建立在用户量与用户行为数据达到一定规模的基础之上,借助群体的智慧帮助用户发现更多潜在的兴趣。

3.基于用户特征与内容特征的推荐

基于用户评价或行为的推荐策略虽然对过去的方法进行了升级,但距离上一节提到的“全面个性化”的状态还是存在一定的差距,无论是多业务还是多场景下的个性化需求,按照目前系统对用户与物品的刻画粒度都无法支撑。

究其原因,这与模型建立的过程有关,在基于用户评价或行为的策略中,我们将用户和物品视为一个完整的个体,但实际上围绕用户和物品本身有非常丰富的信息未被利用,例如用户的年龄、性别、浏览与消费历史,以及商品的品牌与价格等,这些信息或多或少都影响着用户对物品的偏好。

所以,个性化推荐系统目前最常见的策略是,通过引入用户特征与物品特征对用户偏好进行预测,即:

其中,用户特征与物品特征的构建又主要有以下几种方法(以用户特征为例)。

(1)业务规则用户画像

用户画像(User Profile)是根据用户的身份信息、消费明细以及过往交互动作等底层数据抽象出的描述用户属性的一组标签。