隨著環(huán)境和技術(shù)的發(fā)展，現(xiàn)在，企業(yè)對推薦策略產(chǎn)品經(jīng)理需求逐漸涌現(xiàn)。那么，如何理解推薦策略，以及推薦策略產(chǎn)品經(jīng)理畫像？一起來看看本文的分享。

一、推薦策略

前文有提到，推薦策略是目前AI應用最廣泛的場景之一，也是目前市場需求最大的產(chǎn)品經(jīng)理方向。那么，為什么會出現(xiàn)如此大的策略產(chǎn)品崗位空缺呢？原因還應歸結(jié)于AI。

隨著5G、大數(shù)據(jù)的普及，用戶數(shù)據(jù)量的躍升導致人工標簽、分類的成本升高、產(chǎn)品功能模塊細化，原有的自算法工程師轉(zhuǎn)入策略產(chǎn)品經(jīng)理的人選已經(jīng)很難滿足移動互聯(lián)網(wǎng)時代對數(shù)據(jù)利用效率的需求，隨著產(chǎn)品場景的細化，更多C端的、具有用戶思維的推薦策略產(chǎn)品經(jīng)理需求逐漸涌現(xiàn)，推薦策略產(chǎn)品經(jīng)理崗位迎來了新一波的需求熱潮。

推薦系統(tǒng)應用的標志性事件：

這些標志性事件的發(fā)生都基于一種需求：如何用推薦系統(tǒng)來實現(xiàn)爆炸性增長的信息與用戶不斷變化的興趣和需求之間的高效匹配。

1. 推薦系統(tǒng)興起的原因

1）時代的變化

10年起，移動互聯(lián)網(wǎng)時代到來，4G普及、流量貶值，出現(xiàn)了以下三大問題：

1. 如何用推薦系統(tǒng)來實現(xiàn)爆炸性增長的信息與用戶不斷變化的興趣和需求之間的高效匹配；
2. 如何更好地挖掘用戶的個性化需求；
3. 如何更好地讓腸胃物料得到有效曝光。

2）數(shù)據(jù)的積累

移動互聯(lián)網(wǎng)時代用戶隨時在線，產(chǎn)生了大量個人行為數(shù)據(jù)，通過埋點等技術(shù)可以收集大量用戶個人信息，推薦模型學習資料充裕，推薦效果更“準”，其信息分發(fā)效率已經(jīng)超過了傳統(tǒng)模式。

3）技術(shù)的進步

數(shù)據(jù)是AI的基礎(chǔ)，只有數(shù)據(jù)+算法才能max推薦系統(tǒng)的作用，10年后，算法工程師引入大規(guī)模機器學習框架，大幅提高了推薦系統(tǒng)模型分發(fā)的效率和效果，14年左右，深度學習在推薦系統(tǒng)開始落地應用，進一步提升了推薦效果。

4）算力的進步

最新的GPU訓練一個模型只需要3小時，而老GPU三天都不止！

總而言之，互聯(lián)網(wǎng)環(huán)境變化造成信息過載（人們被超過認知極限的信息所包圍）和長尾問題（傳統(tǒng)人工運維模式導致信息分發(fā)在各環(huán)節(jié)的轉(zhuǎn)化效率過低），而推薦系統(tǒng)恰好有效解決了這些問題。

2. 推薦系統(tǒng)概述

推薦系統(tǒng)，本質(zhì)是一種信息過濾系統(tǒng)，用來預測用戶對于物料的評分和偏好，建立用戶和物料之間的連接。其主要解決了信息過載與長尾問題（如前文）。

推薦系統(tǒng)中預測新鏈接就一定需要舊鏈接的輸入，對于所有機器學習模型，均要基于歷史數(shù)據(jù)學習，目前的核心模塊仍是CTR預估模型。

• 在電商領(lǐng)域，系統(tǒng)基于用戶購買、點擊、加購、收藏行為為用戶推薦相似商品。
• 在內(nèi)容場景，系統(tǒng)基于用戶瀏覽、點贊、分享、評論、收藏內(nèi)容為用戶推薦可能感興趣的內(nèi)容。

3. 推薦系統(tǒng)發(fā)展四階段

1.0階段 基于內(nèi)容的推薦

基于內(nèi)容標簽與用戶興趣愛好標簽的相關(guān)性判斷，沒有使用用戶的歷史行為數(shù)據(jù)，主要靠達標、計算標簽間的重合度進行運算。

2.0階段 協(xié)同過濾

基于內(nèi)容標簽與用戶興趣愛好標簽的相關(guān)性判斷，開始使用用戶歷史行為數(shù)據(jù)，通過用戶與物料的交互數(shù)據(jù)來評估物料之間、用戶之間的關(guān)聯(lián)度，而非僅依靠標簽體系。

趨勢：自動化、個性化、智能化

3.0階段 多路召回+精排

相比于前兩個版本有非常大的變化，主要有兩大變化：

1. 核心指標變?yōu)镃TR：1.0與2.0的指標實際是相關(guān)性指標，此指標為中間指標。而在3.0階段，推薦系統(tǒng)加入精排環(huán)節(jié)，精排環(huán)節(jié)以CTR預估為核心目標，并以預估的CTR作為最終排序參考，此時使用的機器學習算法主要為LR，GBDT。
2. 召回、排序環(huán)節(jié)拆分，召回架構(gòu)改為多路召回：1.0-2.0版本召回順序即為排序順序，在3.0版本，首先召回用戶初步感興趣的東西，在排序環(huán)節(jié)進行CTR的預估，最后以預估值進行排序。以電商為例。常見召回策略有高點擊率、熱銷、復購、高質(zhì)量分、Item-CF等。

4.0階段 深度學習+重排+樣式創(chuàng)意

全面應用深度學習技術(shù)，精排后加入重排環(huán)節(jié)，模塊拆分細化、模塊策略精化。

4. 推薦系統(tǒng)整體架構(gòu)

以電商場景為例進行介紹：

1）物料索引

APP內(nèi)有一個可以推薦給用戶的物料池，物料池存儲在數(shù)據(jù)庫中，為了便于查詢，我們需要提前構(gòu)建索引，尤其是在基于標簽召回情況較多時。物料清洗和索引構(gòu)建是推薦系統(tǒng)的基礎(chǔ)工作。

2）召回層

初篩用戶可能感興趣的一些物料，進入粗排和精排。

3）粗排層

粗排策略分為兩種：1.基于統(tǒng)計 2.基于模型，核心思想均為對各路召回的物料進行再排序，再取物。

基于統(tǒng)計：對單一召回路的相關(guān)性分數(shù)進行歸一化和加權(quán)。

基于模型：用粗排的CTR模型預估召回點擊率，按照召回點擊率排序取物。

4）過濾層

通常把過濾層放在精排層之前，粗排層之后或者召回層之后，以減少算力、人力資源的浪費。其主要作用是將最終不能在APP前端展示的物料過濾掉。

概念補充：SKU與SPU

SKU ：（Stock Keeping Unit / 存貨單位 ）：引申為產(chǎn)品統(tǒng)一編號的簡稱，如“iPhone-4GB（GPU）-256GB（內(nèi)存）-黑色”。

SPU：(Standard Product Unit)，標準化產(chǎn)品單元。是商品信息聚合的最小單位，是一組可復用、易檢索的標準化信息的集合，該集合描述了一個產(chǎn)品的特性，如iPhone。

5）精排層

中心任務是預估粗排層返回的前幾位商品的點擊率和曝光率，一般精排點擊率預估值為核心指標。部分場景會考慮曝光率預估值。其與粗排層的模型核心差異主要有以下兩點：

• 差異一：模型訓練樣本不一樣。正樣本都是用戶最終點擊的行為數(shù)據(jù)，但是負樣本完全不一樣。粗排的負樣本是召回層召回但是沒有點擊的物料，這些物料有可能都沒經(jīng)過曝光。精排層的負樣本是APP前端曝光但用戶沒有點擊的物料
• 差異二：模型復雜度完全不一樣。目前的CTR預估模型幾乎都是基于深度學習的DNN模型。由于粗排層主要用于初步篩選，所以推薦系統(tǒng)對于召回、粗排的性能要求高，時延TP99容忍度低（Top99%的網(wǎng)絡(luò)請求所需要的最低耗時），故而此處模型復雜度、高維特征較簡單，而對于精排模型TP99的時延容忍度更高，所以使用特征維度更多、網(wǎng)絡(luò)結(jié)構(gòu)更復雜。

6）重排層

從群居最優(yōu)角度微調(diào)物料順序，還會基于用戶體驗和業(yè)務訴求進行一些類目打散、同圖過濾和相關(guān)物料調(diào)權(quán)等操作，最終將至返回給APP前端。

7）APP前端

物料順序不再變化，進行相關(guān)樣式和創(chuàng)意信息的補充，呈現(xiàn)樣式、風格和創(chuàng)意信息，即UI設(shè)計。

8）特征服務

底層的基礎(chǔ)服務，內(nèi)有大量加工好的用戶特征、物料特征、場景特征等。

5. 常見效果評估指標

• 電商場景：CTR、加購率、CVR、CTCVR、PGMV、多樣性、新穎性、停留市場、瀏覽深度
• 內(nèi)容社區(qū)：補一個互動率
• 短視頻APP：補充人均視頻播放量、人均觀看時長、視頻有效播放量、視頻完播率等

二、推薦策略產(chǎn)品經(jīng)理畫像

如前文所述，一方面推薦系統(tǒng)模塊精細化，另一方面推薦系統(tǒng)應用場景多樣化，原有的工作內(nèi)容不再適合算法工程師來承擔，為此，產(chǎn)生了推薦策略產(chǎn)品經(jīng)理的崗位，更多基于業(yè)務視角和用戶體驗視角的C端產(chǎn)品經(jīng)理開始做推薦策略產(chǎn)品工作。

目前市場上主要有兩種推薦策略產(chǎn)品經(jīng)理：電商與內(nèi)容。