本篇文章介紹了幾種精準(zhǔn)推薦算法模型，并將算法按照機(jī)器學(xué)習(xí)風(fēng)格進(jìn)行劃分。

背景說(shuō)明：

本文全篇命名為 AI產(chǎn)品經(jīng)理從懂精準(zhǔn)推薦模型到產(chǎn)品創(chuàng)新，共計(jì)分上篇和下篇。

通篇以精準(zhǔn)推薦這一產(chǎn)品經(jīng)理經(jīng)常面臨的需求為例，來(lái)講解AI產(chǎn)品經(jīng)理入門(mén)需要懂得的算法模型知識(shí)點(diǎn)，并提出AI產(chǎn)品經(jīng)理入門(mén)的標(biāo)準(zhǔn)和AI企業(yè)類(lèi)型。

通過(guò)劃分門(mén)類(lèi)后建議AI產(chǎn)品經(jīng)理針對(duì)性的補(bǔ)充自己的算法或者數(shù)據(jù)方面的知識(shí)。

在機(jī)器學(xué)習(xí)大數(shù)據(jù)日新月異的時(shí)代里，從拉新運(yùn)營(yíng)到網(wǎng)紅短視頻運(yùn)營(yíng)，從SEM再到精準(zhǔn)推薦，精準(zhǔn)推薦開(kāi)啟了產(chǎn)品運(yùn)營(yíng)的智領(lǐng)革新，智在運(yùn)營(yíng)的新征程。

文章以產(chǎn)品經(jīng)理應(yīng)該懂哪些精準(zhǔn)推薦算法模型為主線，順道在上篇中先將算法按照機(jī)器學(xué)習(xí)風(fēng)格進(jìn)行劃分；下篇按照功能相似性進(jìn)行劃分，從產(chǎn)品經(jīng)理必懂的精準(zhǔn)推薦算法模型展開(kāi)，實(shí)證傳統(tǒng)算法模型對(duì)產(chǎn)品精準(zhǔn)推薦的功用和缺陷，然后總結(jié)出一套AI-UTAUT模型，即整合AI技術(shù)精準(zhǔn)推薦模型供讀者落地具體產(chǎn)品實(shí)戰(zhàn)參考。

即本篇希望以精準(zhǔn)推薦模型為案例通過(guò)全面的撰寫(xiě)將AI產(chǎn)品經(jīng)理需要懂的算法和模型進(jìn)行了系統(tǒng)的入門(mén)講解。

另外筆者在撰文之前先說(shuō)明：一個(gè)產(chǎn)品經(jīng)理經(jīng)常疑惑的概念：算法和模型的關(guān)系，產(chǎn)品經(jīng)理懂得解決問(wèn)題時(shí)將問(wèn)題抽象為模型，對(duì)模型求解用算法，沒(méi)有誰(shuí)大誰(shuí)小，算法和模型沒(méi)有絕對(duì)的分界線。

首先我們看用于精準(zhǔn)推薦的算法模型有哪些，這些模型算法各有優(yōu)缺點(diǎn)，然后筆者根據(jù)實(shí)戰(zhàn)下來(lái)，創(chuàng)造性的總結(jié)了一套AI-UTAUT模型。

一、精準(zhǔn)推薦算法模型

精準(zhǔn)推薦中的常用模型有：交叉銷(xiāo)售模型、關(guān)聯(lián)推薦匹配模型、互聯(lián)網(wǎng)信用模型、電商動(dòng)態(tài)定價(jià)模型、信息聚合分類(lèi)模型等等。

文中盡量不采用高等數(shù)學(xué)公式，盡量用直白的產(chǎn)品經(jīng)理聽(tīng)得懂的語(yǔ)言進(jìn)行講述，因?yàn)楣娇梢栽诋a(chǎn)品具體業(yè)務(wù)落地的過(guò)程中根據(jù)所需要公式有選擇的進(jìn)行針對(duì)的學(xué)習(xí)。

1. 交叉銷(xiāo)售模型

利用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)兩個(gè)產(chǎn)品間潛在的相關(guān)性，進(jìn)而進(jìn)行捆綁與推薦；關(guān)聯(lián)規(guī)則可用Apriori等算法實(shí)現(xiàn)，交叉銷(xiāo)售通過(guò)研究客戶(hù)的產(chǎn)品使用情況，消費(fèi)行為特點(diǎn)，發(fā)現(xiàn)老客戶(hù)的潛在需求，一方面通過(guò)產(chǎn)品之間的關(guān)聯(lián)，尋找實(shí)現(xiàn)產(chǎn)品捆綁銷(xiāo)售的機(jī)會(huì)，另一方面為新產(chǎn)品尋找已有用戶(hù)中的精準(zhǔn)目標(biāo)群體。

建立模型的具體步驟為：

（1）以個(gè)體用戶(hù)為單元，收集其訂購(gòu)業(yè)務(wù)種類(lèi)，計(jì)算其訂購(gòu)比例；

（2）提取訂購(gòu)比例較高的幾類(lèi)業(yè)務(wù)，計(jì)算不同業(yè)務(wù)兩兩間的相關(guān)性，分組、篩選與分類(lèi)；

（3）針對(duì)相關(guān)性和替代性高的業(yè)務(wù)組合進(jìn)行交叉銷(xiāo)售，如綁定銷(xiāo)售精確推薦。

Apriori 算法：

Apriori 算法被用來(lái)在交易數(shù)據(jù)庫(kù)中進(jìn)行挖掘頻繁的子集，然后生成關(guān)聯(lián)規(guī)則。常用于市場(chǎng)籃子分析，分析數(shù)據(jù)庫(kù)中最常同時(shí)出現(xiàn)的交易。通常，如果一個(gè)顧客購(gòu)買(mǎi)了商品 X 之后又購(gòu)買(mǎi)了商品 Y，那么這個(gè)關(guān)聯(lián)規(guī)則就可以寫(xiě)為：X -> Y。

例如：如果一位顧客購(gòu)買(mǎi)了牛奶和甜糖，那他很有可能還會(huì)購(gòu)買(mǎi)咖啡粉。這個(gè)可以寫(xiě)成這樣的關(guān)聯(lián)規(guī)則： {牛奶，甜糖} -> 咖啡粉。關(guān)聯(lián)規(guī)則是交叉了支持度（support）和置信度（confidence）的閾值之后產(chǎn)生的。

支持度的程度幫助修改在頻繁的項(xiàng)目集中用來(lái)作為候選項(xiàng)目集的數(shù)量。這種支持度的衡量是由 Apriori 原則來(lái)指導(dǎo)的。

Apriori 原則說(shuō)明：如果一個(gè)項(xiàng)目集是頻繁的，那么它的所有子集都是頻繁的。

2. 關(guān)聯(lián)推薦匹配模型

關(guān)聯(lián)推薦匹配模型著眼于用戶(hù)數(shù)據(jù)的基礎(chǔ)屬性、媒體屬性等，實(shí)現(xiàn)產(chǎn)品精準(zhǔn)定位，在廣告的定向投放上效果顯著。

建立該模型需要采集的用戶(hù)數(shù)據(jù)有基礎(chǔ)屬性數(shù)據(jù)如性別、年齡、收入、學(xué)歷；環(huán)境屬性數(shù)據(jù)如手機(jī)上網(wǎng)時(shí)間、城市、地點(diǎn)、系統(tǒng)平臺(tái)、語(yǔ)言環(huán)境；媒體屬性數(shù)據(jù)如瀏覽的媒體、瀏覽的內(nèi)容、興趣關(guān)注點(diǎn)、當(dāng)前的需求；消費(fèi)屬性數(shù)據(jù)如關(guān)注品牌、關(guān)注產(chǎn)品、消費(fèi)水平、消費(fèi)心態(tài)等。

AI技術(shù)使得社交網(wǎng)絡(luò)數(shù)據(jù)深度挖掘成為可能，運(yùn)用計(jì)算機(jī)智能，通過(guò)社交網(wǎng)絡(luò)API獲取用戶(hù)授權(quán)數(shù)據(jù)，進(jìn)而對(duì)用戶(hù)數(shù)據(jù)進(jìn)行學(xué)習(xí)和解析，再通過(guò)數(shù)據(jù)挖掘進(jìn)行建模與推薦（數(shù)據(jù)量更大）；完全的個(gè)性化分析可以提供最有價(jià)值的產(chǎn)品，例如 APPhero, 經(jīng)由社交網(wǎng)絡(luò)數(shù)據(jù)深挖掘，使用 FACEBOOK 的數(shù)據(jù)，讓這些數(shù)據(jù)成為推薦的基準(zhǔn)。

AppHero 會(huì)對(duì)用戶(hù)異常熟悉，它會(huì)將用戶(hù)在 Facebook 上做過(guò)的事，包括評(píng)論和評(píng)論中的嵌套、喜歡的頁(yè)面、用戶(hù)分享的東西、個(gè)人檔案的數(shù)據(jù)、興趣、所在地等等通通收進(jìn)算法模型。

關(guān)聯(lián)推薦模型圖示如下：

關(guān)聯(lián)推薦模型中，關(guān)聯(lián)規(guī)則學(xué)習(xí)方法提取規(guī)則，此模型可以完美的解釋數(shù)據(jù)中變量之間的關(guān)系。這些規(guī)則可以在大型多維數(shù)據(jù)集中被發(fā)現(xiàn)是非常重要的。最流行的關(guān)聯(lián)規(guī)則學(xué)習(xí)算法是：Apriori算法；上文已經(jīng)介紹過(guò)Apriori算法。

3. 互聯(lián)網(wǎng)信用模型

傳統(tǒng)通用模型存在環(huán)境因素難確定,屬性單一等缺點(diǎn)，而賣(mài)家間的差異巨大；基于APRIORI算法建立互聯(lián)網(wǎng)信用模型，更準(zhǔn)確，并可預(yù)測(cè)信用趨勢(shì),數(shù)據(jù)變換（文字評(píng)價(jià)轉(zhuǎn)變?yōu)閿?shù)字）.

ARRIORI算法挖掘關(guān)聯(lián)生成關(guān)聯(lián)規(guī)則，得出：信用值與好評(píng)率、行業(yè)、性別、違規(guī)操作數(shù)、婚否、地區(qū)、賣(mài)家級(jí)別、收入、逾期壞賬次數(shù)相關(guān)，按照筆者LineLian曾經(jīng)服務(wù)過(guò)的阿里淘寶網(wǎng)的交易模式來(lái)看，信用模型同樣可以用于買(mǎi)家，實(shí)現(xiàn)買(mǎi)賣(mài)雙方的公平對(duì)等；電信行業(yè)也可以參考信用卡模式度，對(duì)用戶(hù)進(jìn)行信用監(jiān)管，移動(dòng)的客戶(hù)中，曾經(jīng)有月貢獻(xiàn)1000元左右的全球通高端客戶(hù)因?yàn)榍焚M(fèi)0.7元而被停機(jī)，導(dǎo)致其離網(wǎng)的先例，以信用卡模式建立的基于AI技術(shù)的電信行業(yè)用戶(hù)信用管理，仿照信用卡模式對(duì)客戶(hù)授予一定的話(huà)費(fèi)透支額度，與用戶(hù)信用度相關(guān)聯(lián)；同時(shí)也可以對(duì)透支部分的消費(fèi)加收額外費(fèi)用擴(kuò)大電信服務(wù)產(chǎn)品的差異化定價(jià)。

4. 電商動(dòng)態(tài)定價(jià)模型

傳統(tǒng)動(dòng)態(tài)定價(jià)方法以拍賣(mài)為主，很難收集客戶(hù)信息；基于AI技術(shù)中機(jī)器學(xué)習(xí)算法的電商動(dòng)態(tài)定價(jià)模型則可以充分收集交易數(shù)據(jù)，并能通過(guò)機(jī)器學(xué)習(xí)中無(wú)監(jiān)督的自學(xué)習(xí)對(duì)價(jià)格進(jìn)行調(diào)整。

電子商務(wù)通用信用模型的缺點(diǎn)主要有：賣(mài)家很難搜集全面的客戶(hù)競(jìng)爭(zhēng)對(duì)手信息，不能對(duì)其進(jìn)行深度挖掘；不能依據(jù)客戶(hù)特征進(jìn)行差別化定價(jià)，也做不到對(duì)不同的商品做出及時(shí)適當(dāng)?shù)募觾r(jià)幅度的調(diào)整；當(dāng)需求量具有隨機(jī)性和價(jià)格敏感性時(shí)，動(dòng)態(tài)定價(jià)就成為使利潤(rùn)最大化的有效方法。

機(jī)器學(xué)習(xí)算法簡(jiǎn)介：

有兩種方法可以對(duì)產(chǎn)品經(jīng)理現(xiàn)在遇到的所有機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi)：

• 第一種算法分組是學(xué)習(xí)風(fēng)格的。
• 第二種算法分組是通過(guò)形式或功能相似。通常，這兩種方法都能概括全部的算法。

通過(guò)學(xué)習(xí)風(fēng)格分組的機(jī)器學(xué)習(xí)算法，機(jī)器學(xué)習(xí)算法中有三種不同學(xué)習(xí)方式：

第一叫監(jiān)督學(xué)習(xí)：

基本上，在監(jiān)督機(jī)器學(xué)習(xí)中，輸入數(shù)據(jù)被稱(chēng)為訓(xùn)練數(shù)據(jù)，并且具有已知的標(biāo)簽或結(jié)果，例如垃圾郵件/非垃圾郵件或股票價(jià)格。在此，通過(guò)訓(xùn)練過(guò)程中準(zhǔn)備模型。此外，還需要做出預(yù)測(cè)。并且在這些預(yù)測(cè)錯(cuò)誤時(shí)予以糾正。訓(xùn)練過(guò)程一直持續(xù)到模型達(dá)到所需水平。

示例問(wèn)題：分類(lèi)和回歸。

示例算法：邏輯回歸和反向傳播神經(jīng)網(wǎng)絡(luò)。

第二叫無(wú)監(jiān)督學(xué)習(xí)：

在無(wú)監(jiān)督機(jī)器學(xué)習(xí)中，輸入數(shù)據(jù)未標(biāo)記且沒(méi)有已知結(jié)果。我們必須通過(guò)推導(dǎo)輸入數(shù)據(jù)中存在的結(jié)構(gòu)來(lái)準(zhǔn)備模型。這可能是提取一般規(guī)則，但是我們可以通過(guò)數(shù)學(xué)過(guò)程來(lái)減少冗余。

示例問(wèn)題：聚類(lèi)，降維和關(guān)聯(lián)規(guī)則學(xué)習(xí)。

示例算法：Apriori算法和k-Means。

第三叫半監(jiān)督學(xué)習(xí)：

輸入數(shù)據(jù)是標(biāo)記和未標(biāo)記示例的混合。存在期望的預(yù)測(cè)問(wèn)題，但該模型必須學(xué)習(xí)組織數(shù)據(jù)以及進(jìn)行預(yù)測(cè)的結(jié)構(gòu)。

示例問(wèn)題：分類(lèi)和回歸。

示例算法：其他靈活方法的擴(kuò)展。

其他根據(jù)功能相似性講算法進(jìn)行劃分的方法將在下一篇文章中進(jìn)行講述，本文綜合從學(xué)習(xí)風(fēng)格上進(jìn)行劃分，并主要講跟精準(zhǔn)推薦相關(guān)的算法模型。

電商動(dòng)態(tài)定價(jià)模型舉例：攜程大數(shù)據(jù)殺熟背后的算法模型！大數(shù)據(jù)殺熟，即同一件商品或者同一項(xiàng)服務(wù)，互聯(lián)網(wǎng)廠商顯示給老用戶(hù)的價(jià)格要高于新用戶(hù)。大數(shù)據(jù)能殺熟的基礎(chǔ)是海量用戶(hù)數(shù)據(jù)。如上文所述企業(yè)一般會(huì)在后臺(tái)抓取用戶(hù)的消費(fèi)記錄，通過(guò)用戶(hù)行為判斷其偏好和消費(fèi)意愿強(qiáng)烈程度。如果企業(yè)發(fā)現(xiàn)你是一個(gè)對(duì)價(jià)格不敏感的用戶(hù)，就會(huì)調(diào)高價(jià)格，減少優(yōu)惠比例。

首先，通過(guò)你的基礎(chǔ)屬性數(shù)據(jù)判斷你所在的用戶(hù)群體、人群特征（如消費(fèi)能力），通過(guò)你的行為數(shù)據(jù)判斷你的偏好和消費(fèi)意愿強(qiáng)烈程度。綜合分析后，判斷出你是誰(shuí)，你現(xiàn)在要做什么，愿意付出多少代價(jià)去做。最后，企業(yè)根據(jù)精準(zhǔn)的用戶(hù)畫(huà)像，去對(duì)消費(fèi)能力高、消費(fèi)意愿強(qiáng)烈的用戶(hù)展示更多的價(jià)格、賺取更多的利潤(rùn)。

本文支招閱讀了此文的讀者防殺熟的方法：

• 第一，可以進(jìn)行一些伴隨搜索，故意混淆AI；
• 第二、必要時(shí)關(guān)掉App數(shù)據(jù)許可；
• 第三、關(guān)掉定位許可；
• 第四、關(guān)閉Wi-Fi自動(dòng)連接等；
• 第五、重新注冊(cè)一個(gè)新賬號(hào)登錄，平臺(tái)方往往會(huì)為了留住新用戶(hù)而給新用戶(hù)薅羊毛的機(jī)遇。

5. 信息聚合分類(lèi)模型

信息雜志化是近年來(lái)的發(fā)展趨勢(shì)，雜志化閱讀一方面將社交網(wǎng)站集成一體，個(gè)性化定制界面使信息獲取更方便；但雜志化閱讀應(yīng)用諸如 Flipboard 并不具備個(gè)體社交網(wǎng)絡(luò)軟件的很多功能，因此其必須要主打方便和效率；但目前為止其模式知識(shí)簡(jiǎn)單的“搬運(yùn)”。

但雜志化并不意味著信息大雜燴，對(duì)信息進(jìn)行聚合分類(lèi)可以大大提升閱讀效率，大數(shù)據(jù)與Flipboard模式的結(jié)合可以很好地解決這一問(wèn)題，通過(guò)社交網(wǎng)站數(shù)據(jù)的采集并進(jìn)行特征歸類(lèi)，自動(dòng)將每一條信息劃歸最合適的分類(lèi)區(qū)，大大提高了閱讀效率，該模型還可以定期對(duì)數(shù)據(jù)進(jìn)行自學(xué)習(xí)與更新，產(chǎn)生新的分類(lèi)建議。

大量數(shù)據(jù)不僅可以通過(guò)AI技術(shù)建立模型供企業(yè)/賣(mài)家進(jìn)行內(nèi)部分析，也可以通過(guò)合法交易供其他企業(yè)/賣(mài)家使用，數(shù)據(jù)提供者不僅可以從中獲益，數(shù)據(jù)本身也能創(chuàng)造更多價(jià)值，在電視廣告領(lǐng)域，總部設(shè)在紐約的Nielsen 已經(jīng)連續(xù)十多年為廣告主以及電視臺(tái)提供了相關(guān)數(shù)據(jù)。

下圖為頭條通過(guò)AI技術(shù)提取內(nèi)容特征自動(dòng)將每一條信息劃歸最合適的分類(lèi)區(qū)然后精準(zhǔn)推薦給對(duì)此特征感性趣的讀者的例子：

小結(jié)：

毋庸置疑，AI技術(shù)結(jié)合大數(shù)據(jù)將徹底改變產(chǎn)品運(yùn)營(yíng)的脈絡(luò)，重塑我們產(chǎn)品經(jīng)理對(duì)于拉新，留存和精準(zhǔn)推薦的認(rèn)知。與其試圖一次性解決所有AI產(chǎn)品經(jīng)理的問(wèn)題，不如從小型可試點(diǎn)算法模型開(kāi)始；使用上文中可以借鑒的模型實(shí)現(xiàn)自己產(chǎn)品精準(zhǔn)到達(dá)用戶(hù)來(lái)促進(jìn)成功。

這一篇為《AI產(chǎn)品經(jīng)理入門(mén)實(shí)例講解-以精準(zhǔn)推薦模型為例到就職AI產(chǎn)品》中的（上篇） 下篇將講AI產(chǎn)品經(jīng)理精準(zhǔn)推薦創(chuàng)新模型AI-UTAUT模型。

愛(ài)盈利-運(yùn)營(yíng)小咖秀(www.jza6.com) 始終堅(jiān)持研究分享移動(dòng)互聯(lián)網(wǎng)App運(yùn)營(yíng)推廣經(jīng)驗(yàn)、策略、全案、渠道等純干貨知識(shí)內(nèi)容；是廣大App運(yùn)營(yíng)從業(yè)者的知識(shí)啟蒙、成長(zhǎng)指導(dǎo)、進(jìn)階學(xué)習(xí)的集聚平臺(tái)；

想了解更多移動(dòng)互聯(lián)網(wǎng)干貨知識(shí)，請(qǐng)關(guān)注微信公眾號(hào)運(yùn)營(yíng)小咖秀（ID: yunyingshow）