一种简单的个性化导航实现

Reading time ~1 minute

移动端时代的挑战:手机屏更小,输入更不便,信息过载问题更严重。

用户获取信息的方式:浏览 vs. 查询

点击距离(click-distance):

click-distance(i) = selects(i) + scrolls(i) i为item的意思。

1 个性化用户兴趣

两种点击:

  • static hit-table:大众的点击数据,one-size-fits-all
  • user hit-table:个人的点击数据

其中static hit-table如下:

某一个用户的hit-table如下:

然后根据此计算这个用户对每个item的喜好概率. 概率计算:

  • $ P(B A)=(20+10)/(40+100)=0.214 $
  • $ P(C A)=(20+90)/(40+100)=0.786 $
  • $ P(D A)=P(B A)P(D B)=(30/140)(10+5)/(20+10) = 0.107 $
  • $ P(E A)=P(B A)P(E B)=(30/140)(10+5)/(20+10) = 0.107 $
  • $ P(F A)=P(C A)P(F C)=(110/140)(10+80)/(20+90)=0.642 $
    -$ P(G A)=P(C A)P(G C)=(110/140)(10+10)/(20+90)=0.142 $

该用户的喜好排序为:C>F>B>G>D>E

2 个性化调整

ok,计算好了之后。需要对每个用户做menu的调整。调整方式采用的是:垂直提升(vertical promotions)。举个例子,原先如果是三层:根菜单-父菜单-菜单选项。菜单选项提升到父菜单级别,父菜单提升到根菜单级别。别外同级之间的相对位置也会进行调整。

3 指标评测

  • 平均点击距离(是否降低)
  • 平均每个session的平均导航时间(是否降低)
  • 平均内容浏览时间(是否提升)

参考:

1.personalization techniques and recommender systems, Gulden Uchyigit etc.

淘宝embedding介绍

阿里在KDD 2018上开放了它们的方法:《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》, 我们来看下:# 介绍互联网技术持续改变着商业版图,电商变得无处不在。Alib...… Continue reading

airbnb embedding介绍

Published on November 02, 2018

Tree-based Deep Match

Published on October 12, 2018