探索用户兴趣模型，分析兴趣模型构建过程

我谈了这么多推荐算法，如何应用于数据产品？这些推荐逻辑是否只能应用于推荐系统？我不这么认为。用户的兴趣几乎可以渗透到业务逻辑中工作的各个方面。简单地说：无论什么业务，给客户最喜欢的东西是最好的策略吗？答案可能不一定，但在大多数领域仍然很有价值。在本文中，我将与您分享两个常见的应用方向：1）活动的受欢迎程度、最佳人群/活动推荐：我们根据经验设计了一个闪亮的活动。它真的符合当前公司的客户群吗？最近公司想回馈老客户，运营圈定了一批高价值客户。这些客户适合什么样的活动或者优惠券？公司增加了一个新的合作伙伴，谈了一批新的优惠券，想知道这些新的优惠券适合哪些客户？2)对于有异常情况的人，把自己喜欢的优惠券推给他:公司最近的目标是促进和转型。面对筛选出的异常客户(如活跃不转型、睡眠户、待流失)，应该给他什么样的优惠券来激活他？如何解决上述问题？成千上万的人有成千上万的想法，本文从算法的角度探索算法的解决方案，该算法模型是：用户兴趣模型——也称为营销响应模型。因此，在解决问题之前，让我们来看看兴趣模型的构建过程：首先，当营销兴趣模型挖掘客户的兴趣时，我们从推荐系统的常用模型中学习——DeepFM；该模型广泛应用于点击率预测和推荐排名，因为它能有效地将高维和低维的特性深度融合。当我们仔细考虑这个模型时，点击率预测和推荐排名本质上是基于用户对商品的交互行为，混合用户/商品的基本属性，计算用户喜欢商品的概率值，然后推断他们是否会点击。这个模型构建过程中有一个基本的假设:用户喜欢的时候可能会点击；而且不管这个假设是否一定成立，只看前半部分，模型预测用户是否喜欢某个产品，这部分就足够我们应用了。在模型构建过程中，我们以活动数据为切入点，获取用户的基本属性、活动的基本属性和活动的行为交互数据；将这三个数据整合到DeepFM模型中，计算用户对活动的偏好——即兴趣。中间有一个有趣的点，就是特征库简化了特征工程的难度。在正常逻辑下，算法工程师需要进行详细的特征筛选，列出现有的特征，判断哪些特征与目标值相关，然后筛选出强相关特征和相关权重。这个过程通常需要很长时间，但特征库的出现简化了这项工作，我将在后面的文章中详细描述特征库的工作原理。在这里，我们简单理解为将y值和x的关键体验值(有些设计会省略x的关键值，只输入y值，这取决于特征库的设计完整性)放入特征库，特征库将返回其他与y值和x体验值强相关的特征和相应的相关权重，如下:工程师只需简单地处理这些特征，如缺失值和离散化，即可直接喂入模型。你觉得有趣吗？科学技术的力量将逐渐取代劳动力，就像汽车取代马车，机器取代劳动力一样。回到正题，我在推荐算法系列中描述了DeepFM模型。本文讨论了算法在产品设计中的应用，算法，简单的模型风格，感兴趣的学生可以深入探索：整个计算过程是：经过以上讨论，我们得到了用户对活动的兴趣控制表：我们的下一个工作是设计相应的应用场景与这三个表。2、在战略运营沙盘运营过程中，活动设计往往会遇到一种问题，即“知识的诅咒”和丰富的经验，使活动设计师认为活动应该在某个阶段设计，客户应该喜欢什么，并逐渐忽视新方案的探索和客户的真实偏好。这个“魔咒”能打破吗？今天，我们试图从用户兴趣的角度给出一种新的方法。许多活动的设计理念来自于以往的经验和其他公司的经验，这实际上是我们不断学习的主要方法，即从历史中学习经验，从他人那里获得灵感；这本身没有问题，模型构建本身也使用了这个想法——从过去n年的活动数据中总结和推断我们的客户喜欢什么，然后为他设计什么样的活动；问题是，人们无法从整个数据集的角度来判断用户的偏好，设计活动计划，一方面是因为计算太大，另一方面是因为太复杂的数据很难从有效的信息中提取出来。因此，有了兴趣模型～兴趣模型的价值在于借用其强大的计算能力，通过公司n年的有效数据，用股票客户以往的行为来判断当前的偏好；新客户也可以根据与股票客户的相似性来判断当前的偏好，并伪装地解决上述人的局限性。因此，有了兴趣模型～兴趣模型的价值在于借用其强大的计算能力，通过公司n年的有效数据，用股票客户以往的行为来判断当前的偏好；新客户也可以根据与股票客户的相似性来判断当前的偏好，并伪装地解决上述人的局限性。但兴趣模型本身的局限性是什么呢？这很简单。局限性在于模型不能读新闻。这是什么意思？也就是说，除非你把别人的经验数据喂入模型，否则模型无法从别人那里获得灵感，缺乏想象力；这通常是不可能的，因为其他公司不能为你提供你想要的数据；因此，仅仅依赖兴趣模型往往是不成功的，因为他探索和启发陌生事物的能力远低于人类。因此，有了人机的结合～人机结合主要是指人们在构思方案的过程中，借鉴兴趣模型挖掘历史数据的能力，整合自己的想法和灵感，形成相对完整的方案理念。战略运营沙盘应运而生～这个沙盘主要有三种能力:1。现有活动是否与客户群相匹配？如果正在运营的活动来自于自己的奇思妙想，或者来自于过去的经验，是否适合当前的公司客户？我们可以拆卸活动，确定可识别的活动类型特征，并将其喂入上述兴趣表，圈定一批活跃客户；然后将这些客户群与活动确定的客户群进行比较，检查客户群的兴趣分布；然后确定活动设计是否符合当前客户群。2.面对新客户群体，哪些活动类型匹配度高？这个问题有一些推荐的阴影。我们根据新客户群体在兴趣表中设置相应的活动特征；根据每个活动特征的兴趣排序，检查每个活动特征的兴趣分布。兴趣普遍较高的活动特征是为了满足客户群体的活动特征，我们可以围绕这一活动特征发挥想象力。3.面对新的优惠券，我们应该面对哪些客户群体设计活动？在兴趣模型中评估兴趣的主要活动特征之一是优惠券。当产生新的优惠券时，我们可以在兴趣表中筛选类似于现有优惠券的优惠券客户群；并根据兴趣值进行排序，筛选兴趣大于一定阈值的客户群，设计新的活动作为目标客户群。如果筛选出的客户群数量不够，这部分客户群可以作为种子客户群，通过人群扩散来扩大客户群数量。说到这里，战略运营沙盘的三个应用方向就明确了。欢迎有兴趣的朋友来谈谈～第三，活动设计过程在推广/召回引擎之前已经完成。接下来，我们来谈谈推广/召回。促进/召回的问题本质上是刺激异常客户变化的问题，主要分为两个步骤：1。确定哪些客户是异常客户作为运营商。我们需要注意的主要异常情况是：活跃客户、非活跃客户和待丢失客户；这三种类型的客户是相对理论的认知。在结合具体的业务场景时，往往会有更详细的划分，例如，经常浏览主页上没有深入访问的客户，只做查询动作而不做具体交易的客户，经常使用不涉及其他功能的功能的客户等。这些异常行为通常反映了客户的心理矛盾。在一个完整的生命周期中，正常的客户访问通常是：从初步访问到深入浏览，从只查询到完成具体交易，从单一交易到各种交易，从低频访问到高频访问等。在一个完整的生命周期中，正常的客户访问通常是：从初步访问到深入浏览，从只查询到完成特定的交易，从单一交易到各种类型的交易，从低频访问到高频访问等。随着客户对应用程序的逐渐熟悉，应用程序的使用将逐渐加深，否则会出现异常，值得我们反复探索。在本文中，我们将探索兴趣模型在三种类型中的应用：活跃客户、不活跃客户和待失客户。2.确定异常客户喜欢什么样的优惠券。正如我们上面提到的，区分活动类型最重要的是优惠券，这也符合我们的认知；因此，用户对优惠券的兴趣可以从兴趣表中提取出来，然后应用到这里。确定异常客户，明确这些客户喜欢什么样的优惠券，下一步该怎么办？我想已经很清楚了吧？向这些客户发送他们最喜欢的优惠券，以最大限度地激活这些客户，以促进异常客户的变化。在工程方面，我们可以以流程图的形式呈现：从上述信息流中，我们基本上可以看到促销/召回引擎的使用逻辑，即确定异常客户和感兴趣的优惠券，并将其配置到标签库中；将标签库连接到事件中心，并按一定规则触发消费者推广平台；消费者推广平台获得异常客户和相应优惠券，个性化发送；这个想法有两个亮点：兴趣模型会根据用户兴趣的变化定期调整感兴趣的优惠券，以确保同一客户在不同时间收到不同类型的优惠券，防止客户因相同的优惠券而感到厌恶。事件中心实时发送优惠券不仅保证了实时性，而且规则配置可以提高消费者推广平台发送优惠券的灵活性（上午或下午对不同客户的影响不同），以满足客户的时间维度。事件中心实时发送优惠券不仅保证了实时性，而且规则配置可以提高消费者推广平台发送优惠券的灵活性（上午或下午发送对不同客户有不同的影响），以满足时间维度的客户需求。好吧，这篇文章已经结束了。对于兴趣模型，也许你会有更好的应用程序想法，欢迎来到挑逗～