實時用戶意圖是個性化推薦系統(tǒng)中的一個重要組成部分，本文通過WHAT，WHY，HOW三個方面討論了實時用戶意圖，希望給大家以啟示。

之前的一篇文章《常見推薦策略及其在OTA上的應(yīng)用》給出了常見的推薦系統(tǒng)的一些常見推薦策略，以及OTA公司如何利用這些策略來進(jìn)行產(chǎn)品推薦。

而為了提高推薦的準(zhǔn)確率，需要了解用戶，尤其是在OTA行業(yè)，獲取實時用戶意圖對個性化推薦起著非常重要的作用，在做產(chǎn)品分析和設(shè)計的時候應(yīng)該按照黃金圈（WHY，HOW，WHAT）的順序來進(jìn)行，但是為了讀者理解的方便，本文改變了一下順序，首先給出WHAT，然后從WHY和HOW二個方面分享一下構(gòu)建OTA實時用戶意圖的思路。

WHAT（是什么）？

不同公司的定義可能不一樣，這里首先解釋一下什么是實時用戶意圖。本文實時用戶意圖是基于旅游行業(yè)，它的定義為：結(jié)合用戶短期內(nèi)的用戶行為，通過個性化推薦算法預(yù)測得到的用戶實時旅游偏好。下面給出兩個實時用戶意圖的例子：

示例1：一個用戶搜索了12月1日從上海到北京的機(jī)票，并且查看了多次航班，那么該用戶的實時意圖包含：該用戶處于行程探索期，對北京有興趣，并且交通工具偏好坐飛機(jī)，艙位偏好經(jīng)濟(jì)艙，預(yù)計出行時間是12月1日。同時通過瀏覽交叉規(guī)則，可以預(yù)測用戶可以有酒店偏好，自由行偏好，門票玩樂等多種產(chǎn)品類型偏好，依據(jù)大數(shù)據(jù)的分析，可以得到用戶對不同產(chǎn)品類型的偏好程度會不一樣。

示例2：一個用戶訂了一張12月1日從上海到北京的機(jī)票，那么該用戶的實時意圖包含：該用戶處于行程出發(fā)前，將要去北京，有去北京的機(jī)票訂單，艙位是經(jīng)濟(jì)艙，出行時間是12月1日。同時通過訂單交叉規(guī)則，可以預(yù)測用戶可以有酒店偏好，門票玩樂等多種產(chǎn)品類型偏好，依據(jù)大數(shù)據(jù)的分析，可以得到用戶對不同產(chǎn)品類型的偏好程度會不一樣。

通過以上兩個例子可以了解實時用戶意圖里面包含什么內(nèi)容，格式如下圖所示，在具體的個性化推薦應(yīng)用中，在不同的欄位就可以知道進(jìn)行怎樣的推薦了，可以參考《常見推薦策略及其在OTA上的應(yīng)用》里面的案例。

WHY（為什么）？

了解了什么是實時用戶意圖，從產(chǎn)品的目標(biāo)和用戶的需求兩個方面分析一下為什么要做實時用戶意圖。

產(chǎn)品的目標(biāo)

引入個性化推薦的目標(biāo)是為了提高OTA平臺上的產(chǎn)品轉(zhuǎn)化率以及產(chǎn)品的連帶率，因為轉(zhuǎn)化率及連帶率的提升企業(yè)可以獲得更多的商業(yè)價值

用戶的需求

用戶的主要需求在于可以通過OTA平臺快速，方便地找到自己想要的產(chǎn)品，主要體現(xiàn)在：購物路徑不用太長；有輔助決策內(nèi)容來降低決策的費(fèi)力度；有交叉推薦的內(nèi)容等等

一言概之：用戶通過平臺找到適合自己的產(chǎn)品來得到產(chǎn)品的使用價值，而平臺通過用戶購買產(chǎn)品獲得傭金而得到產(chǎn)品的商業(yè)價值。

HOW（怎么做）？

實時用戶意圖是怎么做到可以滿足用戶需求的呢？它基于的假設(shè)是：用戶對自己感興趣的內(nèi)容會多次瀏覽或搜索，舉例來說，在OTA行業(yè)，如果一個用戶相去馬爾代夫度假，那么他會查看馬爾代夫的攻略，機(jī)票，酒店或者度假產(chǎn)品等等，通過用戶的實時行為操作，我們可以預(yù)測用戶的目的地偏好是馬爾代夫。

實時用戶意圖是依賴于用戶的近實時用戶行為，生成實時用戶意圖的流程如下：

以上流程又可以分成幾大塊內(nèi)容：

數(shù)據(jù)獲取

通過前端埋點獲取用戶的實時行為數(shù)據(jù)，這些埋點數(shù)據(jù)被送到流處理（如Storm或Spark等）進(jìn)行埋點內(nèi)容的解析，并且做實時數(shù)據(jù)清洗，輸出標(biāo)準(zhǔn)格式的用戶行為數(shù)據(jù)。數(shù)據(jù)來源主要包括：

• 用戶的搜索及搜索條件
• 用戶的瀏覽產(chǎn)品及瀏覽產(chǎn)品的特征
• 用戶的搜藏產(chǎn)品及搜藏產(chǎn)品的特征

算法模型

算法模型分成兩個部分：離線算法模型和實時算法模型。離線算法對時效性要求不高，所以算法模型一方面可以采用更多的數(shù)據(jù)內(nèi)容，不管是從數(shù)據(jù)的廣度還是深度，另一方面算法模型的復(fù)雜度也可以很高，這樣可以輸出高質(zhì)量的數(shù)據(jù)結(jié)構(gòu)；實時算法模型因為時效性要求很高，所以在使用數(shù)據(jù)方面和算法模型方面都會比離線算法模型差很多。

離線算法模型以日為單位對全站的用戶行為進(jìn)行迭代計算，得到瀏覽交叉系數(shù)及訂單交叉系數(shù)（其實離線算法模型還提供了其它方面的內(nèi)容，在后下一篇《OTA推薦系統(tǒng)之用戶體系》中介紹）。實時算法模型實時對用戶的每一次操作進(jìn)行迭代算法計算，結(jié)合離線提供交叉系數(shù)，實時更新用戶意圖，以便提供給推薦系統(tǒng)使用（一般采用Redis存儲）。

實時用戶意圖是個性化推薦系統(tǒng)中的一個重要組成部分，本文通過WHAT，WHY，HOW三個方面討論了實時用戶意圖，希望給大家以啟示。

相關(guān)閱讀

常見推薦策略及其在OTA上的應(yīng)用

本文由 @中子奇 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自PEXELS，基于CC0協(xié)議