案例分析｜常见推荐策略及其在OTA上的应用
作者：中子奇
全文共 2065 字，阅读需要 5 分钟
———— / BEGIN / ————
什么是推荐系统？
推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。个性化推荐已经在电商（Amazon，淘宝，京东等）、电影和视频（Youtube，Hulu，爱奇艺，腾讯视频）、个性化音乐（Spotify，网易云音乐，QQ音乐）、新闻（今日头条，腾讯新闻）等多个领域得到广泛的应用，并且取得了令人影响深刻的成绩。
——Wiki百科的定义
本文将结合案例来分析OTA采用的一些常用推荐策略。
常见的推荐策略
随着信息技术和移动互联网的发展，人们步入到一个信息过载的时代，而现在的用户越来越多的偏好使用移动终端来获取资讯，购买网上产品。
信息过载和用户获取信息的方式改变导致对不论是内容生产者或产品提供者，还是内容消费者或产品购买者都遇到了巨大的挑战。
如何利用碎片化的时间，通过移动终端，在海量的信息中找到想要的内容或产品是一件非常困难的事情。
推荐系统通过一系列的推荐策略来解决这个冲突，成为一个重要工具之一。
推荐系统通过不同策略建立用户和物品的关系，从而将用户可能感兴趣的物品展示给用户，如下图：
注：本图是根据“ Tagsplanations : Explaining Recommendations using Tags”一文中的插图重新绘制，本图的著作权归原著作权人所有
策略一：基于物品的协同过滤
基于物品的协同过滤目前是业界应用最多的策略，该策略的主要思路：给用户推荐那些和他们之前喜欢的物品相似的物品，因为是基于用户的历史行为，所以能够给推荐结果提供推荐理由。
该推荐策略主要分成两步：
基于全站用户的行为来计算物品间的相似度
找到与用户历史偏好的相似物品集按照相似度排序推荐给到用户
策略二：基于用户的协同过滤
基于用户的协同过滤是推荐系统中最古老的算法，该策略的主要思路：给用户推荐那些和该用户相似用户集喜欢但该用户未购买的物品；因为是基于相似用户，很难提供令用户信服的推荐理由。
该推荐策略主要分成三步：
基于全站用户的行为来计算用户间的相似度
找到与目标用户有相似度的用户集
过滤掉相似用户集的偏好产品集中目标用户已经购买的产品，将剩下的产品推荐给到用户
策略三：基于用户标签数据
策略一和策略二主要通过用户的行为来计算相似度，没有利用人群或者物品的特征来计算人群或物品的相似度，该策略的主要思路：给用户推荐那些和该用户兴趣相匹配的物品。
该推荐策略主要分成三步：
基于用户的行为计算出用户的兴趣点
找到与用户兴趣点匹配的物品集按照匹配度排序推荐给到用户
OTA上推荐策略的应用
我们先看一下各大OTA公司的个性化推荐有哪些内容。
目前仅发现携程和途牛中有个性化的内容，其它OTA公司如飞猪，发现有“猜你喜欢”栏位，但内容不会随着用户在飞猪里面进行搜索，浏览等操作而发生改变。
首先看携程，可以在多个栏位中（包括首页的广告，机票，度假，攻略等）看到个性化的内容，参考下图：
携程App个性化推荐应用
注：截取携程App(V7.7.1)，图中相关内容的著作权贵原著作权人所有
其次看一下途牛，发现也在多个栏位中（首页的广告，目的地，度假产品等）能看到个性化的内容，参考下图：
途牛App个性化推荐应用
注：截取携程App(V9.25.0)，图中相关内容的著作权贵原著作权人所有
基于携程和途牛上的个性化推荐发现，OTA的个性化推荐主要帮助用户完成两方面的推荐：一方面是目的地，另一方面是具体的产品。
下面来讨论一下如何利用推荐策略来进行这两块内容的推荐：
目的地的个性化：
当用户在App进行搜索，查看相关目的地的产品时候，比如搜索一张从上海到北京的机票，那么改用户对北京就存在有出行的意向，所以在携程和途牛中都可以看讲浏览的城市作为推荐候选集。
如果要丰富推荐目的地候选集，需要去计算目的地的相似性，可以采用策略二或者策略三，下面给出采用策略三的产品思路如下：
一个目的地里面会包含多个不同的景点，不同的景点有不同的标签属性，通过对一个目的地下多个景点的汇总，从而得到一个目的地的标签集。
利用标签集来计算不同目的地的相似度
对用户浏览的目的地的不同标签集进行抽取，从而得到用户对标签的偏好程度
基于用户偏好的标签集从目的地集中找到相似的目的地推荐给到用户
产品的个性化：
通过目的地推荐帮助用户找到目的地，但是每个目的地下面又存在多种产品，这次产品的个性化就变得十分重要，可以采用上面的三种策略。
下面以策略一位例说明一下产品思路：
依赖于用户对产品的搜索，浏览和订单行为来计算一个目的地下面产品的相似度，从而得到一个目的地产品间的相似度，同时也可以得到一个目的地下产品的热度。
基于用户最近浏览过的产品，找到相似的产品作为推荐的产品集
同时补充一些该目的地的热门产品同时作为推荐的产品集
通过以上三步可以得到推荐结果的来源包括：用户实时浏览的，用户浏览产品的相似产品以及该目的地下的热门产品
———— / END / ————