智能推薦究竟是砒霜還是蜜糖?

4 評論 3791 瀏覽 13 收藏 15 分鐘

編輯導語:不知不覺中,不少的產品都有了智能推薦功能,通過這個功能可以猜測并且推薦給用戶他們可能會喜歡的產品,幫助用戶進行決策,提高成交率。但是智能推薦真的“智能”嗎?它給用戶帶來的是便利還是同質化的海量信息呢?

相信很多朋友和身邊的人都有相同的感受,我們在各種頭條、各種新聞、某乎或者是某廚房,某寶等平臺上留下過瀏覽足跡,等你下次再次打開時候一定是會有與之相關聯或者相類似的信息再次推送到你。

并且你發現有些還挺符合自己心意的,其實這并不是巧合,而是平臺對你的行為進行了人工智能算法,然后對符合計算結果的產品推送你眼前,給用戶一種平臺真懂我的需要的良好體驗。

這就是互聯網平臺實現投其所好實現“千人千面”的制勝利器-智能推薦,智能推薦能夠根據搜索行為通過計算分析來判斷你的喜好,然后把同類型的內容再次推送給用,很多時候我們就是在這種智能推薦的情形中享受這快感無法自拔。

因為用戶的行為已經表達了出了用戶的喜好和需求,而互聯網的后臺則源源不斷的給你發送來滿足用戶需求。而用戶的點擊又按上述的邏輯再次循環。樂此不疲,直至沉淪。

我們人是有思想的,我們可以憑借我們的知覺和認知來做判斷。比如說到“甜”,在我們過往的生活經歷形成的認知我們可以想到很多東西,糖、蛋糕、奶茶、蘋果。

比如朋友是個愛運動的人,送他禮物時候就可以選擇運動鞋、運動裝。我們會根據氣溫來增減衣物,可是程序他是一堆代碼,如何來根據用戶的行為來個給用戶的特性做聯系和判斷呢?

一、簡單介紹幾種推薦機制的工作原理

1. 打標簽,根據標簽推薦具有同樣標簽的其他內容

打標簽的方法就是平臺設定好很多標簽,然后制作或者上傳的用戶在發布內容的時候選擇該內容屬于一個或者多個標簽貼上進行發布,發布成功后該內容就屬于該標簽分支下無數條內容的其中一條。

假設你在某平臺上瀏覽了一條關于產品的內容A,內容A制作上傳的時候打上了產品的標簽,那么你下次大概率也會瀏覽到其他關于具有產品標簽的內容,隨機抽取的內容B、C、D…

有如這類型,是在用戶注冊的時候選擇感興趣的標簽,然后根據用戶選擇的標簽在對應的數據庫給用戶推送內容。

2. 對標題進行分詞,根據分的關鍵詞進行內容匹配

比如搜索一篇文章:

搜索的標題為:“如何成為一名產品經理 。”

假設這個平臺的分詞規則是:設置的分詞最大字數為3。

那么會被拆分成:如何成??為一名??產品經?? 理 (產品經理的垂直行業應該沒有這種詞)

不滿足條件在退為最大字數為2。

如何??成為??一名?產品??經理??(這些詞在產品經理的垂直行業存在這種詞匯)

那么就會按照字數為2的詞匯來匹配相關內容

匹配出來的內容就有可能會是以下標題:

  • 如何成為一名產品經理
  • 如何成為產品經理
  • 成為產品經理
  • 如何成為經理
  • ……

3. 通過數學邏輯進行公式計算,相似度計算。

相似度計算主要有三個經典算法:

1)余弦定理相似性度量

通過測量兩個向量內積空間的夾角的余弦值來度量它們之間的相似性,0度角的余弦值是1,而其他任何角度的余弦值都不大于1,并且其最小值是-1,從而兩個向量之間的角度的余弦值確定兩個向量是否大致指向相同的方向。

兩個向量有相同的指向時,余弦相似度的值為1;兩個向量夾角為90°時,余弦相似度的值為0;兩個向量指向完全相反的方向時,余弦相似度的值為-1。

在比較過程中,向量的規模大小不予考慮,僅僅考慮到向量的指向方向。余弦相似度通常用于兩個向量的夾角小于90°之內,因此余弦相似度的值為0到1之間。

2)歐氏距離相似性度量

與余弦定理通過方向度量相似度不同,歐氏距離是通過計算樣本實際距離在度量相似度的,二維平面上兩點a(x1,y1)與b(x2,y2)間的歐氏距離。

3)皮爾遜相關系數

兩個變量之間的相關系數越高,從一個變量去預測另一個變量的精確度就越高,這是因為相關系數越高,就意味著這兩個變量的共變部分越多,所以從其中一個變量的變化就可越多地獲知另一個變量的變化。

如果兩個變量之間的相關系數為1或-1,那么你完全可由變量X去獲知變量Y的值。當相關系數為0時,X和Y兩變量無關系;當相關系數在0.00與1.00之間,X、Y正相關關系;當相關系數在-1.00與0.00之間,X、Y負相關關系。

由此可知,相關系數的絕對值越大,相關性越強,相關系數越接近于1和-1,相關度越強,相關系數越接近于0,相關度越弱。

電商的推薦大多數是根絕用戶的行為數據,例如:年齡、消費水平、消費頻率等已知條件,經過公式的算法計算出來的。如果兩個用戶計算出來的值越接近,就說明兩個用戶購物喜好越相似,即可以把A 喜歡的物品推進給B。

二、智能推薦為什么會被說成是砒霜?

每當智能推薦通過我們行為源源不斷的向我們推送內容時,有人就發出不那么樂觀的聲音,甚至將其視為砒霜帶來禍害。當我們被大數據分析時,我們沒得選擇,推送什么只能接收到什么。我們沒辦法跳出那個框架去做選擇和判斷,深陷其中無法自拔。

電商平臺利用大數據殺熟,老用戶購買相同物品或者服務比普通用戶都要貴,而用戶基于對平臺的信任反而被割了韭菜。

1. 除了消費類,還有閱讀消遣類也被好些理性的用戶所病垢

主要體現在:

1)閱讀類型和閱讀面受限,降低了多元化信息的接收

身邊也很多朋友反應現在感覺每天在各種頭條除了熱點看到的文章都一個樣了,喜歡看NBA資訊的每天都能看到NBA資訊,愛看服裝搭配的也每天都有,喜歡的明星的新聞也天天不落下。

這個世界每天都發生那么多的奇奇怪怪的事情,可我們接收到的信息似乎都一個樣。

2)沉迷于人性的弱點,享受短暫在快樂無法自拔

身邊已經有不少朋友把小視頻卸載了,原因無他,只是不想繼續沉迷于短視頻的快樂之中。相信刷短視頻肯定占據了我們一天中很大的時間比例,下班后到睡覺前的這幾個小時,公交地鐵、吃飯的碎片時間等等。

我們把不喜歡看不感興趣的視頻隨手一劃,把想看的視頻從頭看到尾。此時,你會發現隨后完播率高的類型的其他視頻又會被你刷出來。不斷篩選,不斷推送,刷的人也就中毒了。

2. 智能推薦能不能成為蜜糖呢?

大家在做產品設計的時候會不會找一下參考?比如我要設計一個條件篩選,在設計網站找到下面這個樣式:

然后網站會根據“篩選”這個關鍵詞或者標簽推薦更多內容:

我就有很多的篩選設計樣式參考了,當有各式各樣的篩選樣式出現面前時,我就可以根據自己的需要來選擇設計一個適合自己需要的篩選。

刷選選項較多較長,可以選擇參考下面下拉式瀑布流。

篩選選項少,不會占用太長空間,可以把選項橫向列出來達到優化頁面空間。如下:

統給推薦了不同的參考形式,我們可以結合自己的項目需求權衡項目適合什么樣的設計。再如,我們想學習一個知識。想了解互聯網產品經理這個職業是什么?在知乎上搜索產品經理是什么?點擊一篇文章閱讀。

然后在文章底部會出現相關推薦:

出現的內容除了有解釋產品經理是什么?

還有擴展內容:

  • 產品經理的工作
  • 適合給產品經理看的書籍
  • 產品經理要如何進步等
  • …..

能夠讓我們從多維度更全面了解認識產品經理,以上舉例即時類似的情景,我覺得智能推薦便真香了。

因為他對我們學習和解決問題提供了幫助,在固定的主題下提供了更多有聯系的資訊和信息,讓我們的判斷有明確的認知。相比于之前說的娛樂,他就不是在是重復的消耗,而是一種獲得。

知識是我們在社會實踐中或者科學實驗獲得的對客觀事物的認識,但是掌握知識是需要一個過程的,很多人卻誤把知道當成了掌握。

知道是知道,掌握是掌握。知道是接觸到了解到,是很淺顯的一個層次。就像我們學習做題,剛接觸到一個新知識或者公式就去做題往往會遇到障礙,因為彼時還未掌握是一個初始階段。

而掌握是通過反反復復的復盤和舉一反三之后達到的另一個層次,我們通過推薦出來的相關內容可以更加全面和多角度了解我們想要了解的知識,解決問題也就更加容易。

知識就是這樣,知道一點皮毛的時候會欣喜若狂,因為這時候認知少,以為知道的就是全部。而當知道的越多的時候的反而有一種謙卑的冷靜,因為明白了任何一類知識都如茫茫大海,而我們掌握的只是那滄海一粟。

三、結語:智能推薦是砒霜還是蜜糖?

智能推薦是砒霜還是蜜糖,個人覺得還是看使用場景。

當我們在消遣過程中迷失自我,忘乎所以享受消耗型快樂時,那無疑是一種悲哀。但當我們能夠嚴于律己,理性回歸,將其作為一中工具用于學習,用于解決問題真的會帶來莫大的幫助。當我們能夠獲得一種充實的滿足感時,那種感覺是真的甜!

#專欄作家#

我是廣告班,人人都是產品經理專欄作家。擅長對產品,對用戶對需求的洞察和分析。

本文原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

給作者打賞,鼓勵TA抓緊創作!
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 算法是死的,但我們是善變的,現在的只能推薦只能說是數據分析比較,談不上智能,淪為廣告和營銷了

    回復
  2. 淘寶和短視頻的智能推薦會讓人大腦中毒

    回復
  3. 所以我在不同的app設定不同的喜好

    回復
  4. 因人而異

    回復