第247期：用时约4分1606字

[智能推荐]智能推荐七大玩法场景化解读和评估体系

推荐：智能推荐成为引流最重要的手段之一，场景化分解帮你细细评味他的用途，通过具体的指标带你建立完善的评估体系。智能推荐让我们越来越快得找到自己想要的内容。

一、智能推荐七大玩法场景化解读

玩法一：热门事件，让吃瓜群众看过来！

这种热门推荐场景一般由系统定时更新数据并主动推荐到用户面前，用户打开界面就能接触到讨论度最高的内容，一方面满足了用户的从众心理，不会错过一手瓜，另一方面也能激发用户兴趣，让用户不会出现选择困难。

典型场景——微博热搜榜、抖音热榜

玩法二：相关推荐，让用户意犹未尽

所谓相关推荐，是根据计算内容或商品的相似度，进行一些相似内容或商品的推荐，以满足用户延伸阅读或者延伸购买的需求。

典型场景：微信读书“继续阅读”相关推荐

玩法三：想用户之所想，Feed 流让用户持续消费

主流排序方式不再严格按照时间线，而是广泛使用智能 Feed 排序。智能排序基于趋势、热门、用户生产、编辑推荐、相似性等因素综合考虑。新的 Feed 流不再需要用户主动订阅或者搜索，只要根据其浏览时长、点赞分享等动作，或者建立用户画像，就可以主动推荐用户感兴趣的内容。在内容很多很杂，且与用户关联不强的情况下，Feed 流无疑是一个很好的筛选器。

典型场景：知乎 Feed 流

玩法四：激发并推荐 UGC，度过冷启动期

去中心化的时代，平台之间的竞争已经演变成生态系统的竞争，内容型平台更是如此。维护第三方生态的繁荣成了很多平台公司的刚需，这就需要将第三方创作者新生产的内容尽可能的推荐出去，才能保障平台的多样性，激发平台上第三方创作者的积极性，提升平台生态的活力。

玩法五：因人而异，黄金时间有效留住新用户

新用户的留存就变得非常关键，因为如果新用户来到平台发现对推荐的内容不感兴趣，那么很有可能快速卸载流失。

那么在新用户冷启动时，如何通过智能推荐实现更好的激活留存呢？可以从新用户的获取来源、注册时填写的年龄、性别、地址等信息、授权设备信息、首次登陆所选标签、绑定的社交账号等维度出发，根据这些维度推测用户偏好进行智能推荐，能够在黄金时间有效留住新用户。

典型场景：知乎新用户标签选择页面

玩法六：以类聚，以群分，页面配置千人千面

用户所处的生命周期阶段不同，对应的活动需求和偏好也不同，但现实中，App 的开机图、首页、轮播等广告位内容呈现容易缺少差异化，如果可以根据不同生命周期用户的需求分类来配置页面，可以快、准、稳地进行产品运营，实现广告位资源的价值最大化和用户惊喜度的提升。

玩法七：算准消耗周期，适时推荐复购

每个消费者的购物消费都是有周期的，针对购买链条中复购环节的周期性特点进行算法推荐，能够提升平台流量价值最大化。

二、如何评估推荐效果？

评估一个推荐系统，包括离线评估和在线评估两种方式。下面详细展开介绍。

1. 离线评估

离线评估包括人工评估、AUC、DCG。

人工评估比较好理解，同时 AUC、DCG 也是常用的模型离线评价指标，但是这些数据指标可能会存在比较大的偏差，所以一般不会拿此指标来直接评估效果，而只是把它作为参照指标。

2. 在线评估

推荐系统的在线评估指标包括：点击率、点击人数比、留存率、转化率等，具体包括：

1）点击率

点击率是评估推荐效果比较经典的指标，记录了用户每次进入推荐内容的点击情况，能够粗略衡量转化效果。

2）点击人数比

在评估一个模型效果时，可能点击率上涨，但点击人数比并没有变化，这说明推荐结果只对于部分老用户产生比较好的效果，对于触达不到的用户，仍然没有成功吸引他们来使用我们的推荐系统，所以点击人数比与点击率是对推荐系统在不同方面的评估。

3）人均点击次数

指每个人在推荐系统里面平均每天点击了多少次。人均点击次数是需要大家持续关注的指标，因为这个指标真正体现出用户在这款产品中的使用深度。

4）留存率和转化率

留存率和转化率对于推荐系统来说，可能并不是一个那么直接的指标，它仍是我们去评估推荐系统的一个指标，至少我们需要知道此次推荐系统的迭代到底对于留存率的影响有多大。

Powered by Froala Editor