中卫信息港

当前位置: 首页 >教育

1以接口批量上传等形式导入合作伙伴的产品2019iyiou

来源: 作者: 2019-05-14 15:41:24

在亚马逊这样的电子商务标杆企业的示范下,推荐系统对于电子商务站的价值已被大家所认同,例如:增加站的访问量,提升销售额;提高站的交叉销售能力;增加顾客在店上的停留时间,浏览更多的商品;将站的浏览者转变为购买者等等。因此大家都希望能够拥有自己的推荐系统。

但相对于站开发技术而言,推荐系统由于涉及数据仓库、数据挖掘、统计分析、人工智能等相关技术,因此技术门槛要高得多,对于研发能力相对较弱的中小型的企业而言,要自己研发推荐系统难度很大。于是乎诞生了一些以推荐作为服务(Recommendation as a Service)的公司。

1、推荐服务的基本模式这些公司拥有推荐系统核心技术,通过SaaS模式对外提供推荐服务,一般的服务方式如下:

1)、以接口、批量上传等形式导入合作伙伴的产品目录

2)、在合作伙伴站页面嵌入用于跟踪用户行为的javascript脚本

3)、通过对诸如商品信息、历史用户数据、用户行为(包括搜索、站点击行为、购买历史、喜好、购物车、收藏历史)等行为数据的汇总分析,建立站相应的推荐模型

4)、用户登录站时候,根据用户历史行为数据实时分析预测用户的喜好,产生个性化推荐。

下图摘自Strands、Mybuys 公司的业务流程图,基本上概括了推荐服务的核心模型Mybuys 的模型Mybuys 、Baynote、Loomia 、Aggregrate Knowledge 、RichRelevance、OutBrain、ATG、Avail Intelligence、Certona、Choicestream、Apture百分点、麦路RecSys 2009 Keynote: Top 10 Lessons Learned Developing, Deploying, and Operating Real-World Recommender Systems5 Problems of Recommender SystemsReadwriteweb series on recommendation technologies

Strands的模型

尽管推荐服务核心算法的理论基础基本上类似,但不同行业推荐对象对应的模型不尽相同(例如电子商务、SNS社区、媒体站点),更为重要的是由于各公司商业模式的不同,不同的公司对于推荐服务有不同的要求,因此推荐服务提供商针对不同行业及不同公司所采用推荐算法及模型实现都会有所不同。

2、推荐服务提供商2.1、国外的推荐作为服务提供商:Strands、

2.2、国内的推荐作为服务提供商:

麦路初以推荐作为服务作为商业模式,目前重点已经转向运营购物返现联盟发现宝。

而百分点仍然专注在推荐作为服务上,相对于麦路更加专业,百分点推荐技术研究中心及电子期刊收集了一些有价值的资料。尽管作为纯技术驱动的公司在国内现实的商业环境下生存相对较难,但随着国内电子商务的繁荣及成熟,相信像百分点这样专业化的公司会有美好的前景。

3、几点思考:3.1、推荐作为服务的商业模式1)、独立的推荐服务提供商

2)、依托于某个电子商务开放平台(例如淘宝开放平台)、SNS开放平台提供推荐服务

3)、依托于广告联盟

4)、依托于络营销、购物返现联盟

5)、依托于行业垂直搜索引擎公司

电子商务、SNS社区等互联新兴应用的高速发展,对个性化推荐的需求越来越强烈,因此那些专注于推荐作为服务这一领域的推荐服务提供商会有较大的成长空间,尽管尚有很长的路要走。

推荐作为服务的一种趋势是多种模式的结合,尤其是与开放平台、络营销联盟、搜索引擎多种模式的结合,因此推荐作为服务提供商终可能变成路营销服务提供商、垂直搜索引擎公司、广告媒体公司等等。

3.2、、推荐作为服务的核心价值推荐作为服务提供商拥有的为核心财富不是推荐技术本身,而是通过推荐服务所积累的海量数据,特别是用户数据和项目(item)数据。这正如Google自身核心的财富不是搜索引擎本身,而是对于用户点击流数据。因此从这点来说,推荐作为服务的实践者其实是Google。

用户数据:当下的推荐作为服务提供商基本上都围绕一个应用或一个平台来提供服务,并没有以用户络身份标识为中心来整合各种用户行为数据。如果能够借助opensocial、openid、oauth等开放协议整合用户的络身份,获得用户各种络活动的数据,为用户提供更加个性、、实时的推荐服务,这样的推荐服务对用户极大的使用价值。

项目数据:所谓的项目(item)数据的内涵可以是电子商务平台的商品,可以是社会化媒体的一个视频、一篇blog,可以是搜索引擎的搜索关键词,而这些恰恰是那些传统的电子商务、搜索引擎、广告巨头们的关注点。但这并不意味着推荐作为服务提供商无法与这些巨头们竞争。推荐作为服务之所以能够蓬勃发展,正说明了目前的巨头们所提供的服务在这些领域并不能很好满足用户的需求。例如在实时络(Real-Time)、开放平台等领域。

对于用户而言,推荐服务核心的价值在于更加个性化、、实时的推荐,因此推荐服务未来的趋势之一是对用户身份及数据的整合。

对于众多的中小企业而言,推荐服务核心的价值在于能够帮助其带来流量、促成交易、创造交易,因此推荐服务未来的趋势之一应该是与络营销、广告联盟等服务更加的紧密结合。

3.3、推荐作为服务的实践Strands 的Francisco Martin 在RecSys 2009上的演讲RecSys 2009 Keynote: Top 10 Lessons Learned Developing, Deploying, and Operating Real-World Recommender Systems 分享了Strands在此方面的经验,很精彩:

Lesson 1. Make sure a recommender is really needed! Do you have lots of recommendable items? Many diverse customers? also think Return-on-Invesment a moresophisticated recommendermay not deliver a better sson 2. Make sure the recommendations makestrategic sense. Is the best recommendation for the customer also the best for the business? What is the difference between a good and useful recommendation? Good recommendations vs useful recs; obvious recommendations may not be useful; risky recs may deliver better long-term sson 3. Choose the right partner! Select the right rec vendor vs hire some #recsys09 students. If you are a big company the best thing you can do is organize a sson 4. Forget about cold-start problems (!) . just be creative. The internet has all the data that you need (somewhere).Lesson 5. Get the right balance between data and algorithms. 70% of the success of a recommendation system is in the data, the other 30% in the sson 6. Finding correlated items is easy but deciding what, how, and when to present them to the user is hard or dont just recommend for the sake of it. Remember, user attention is a scarce and valuable resource. Use it wisely! dont make a recommendations to a customer who is just about to pay for items at the checkout! User interface should get at least 50% of your sson 7 Dont waste time computing nearest neighbours (use social connections) just mine the social graph. Might miss useful connections?Lesson 8 Dont wait to scale!Lesson 9: Choose the right feedback mechanism. Stars vs thumbs . theYouTube problem. More research on implicit and other feedback mechanisms is needed. The perfect rating system is no rating system! focus on the sson 10 Measure Everything! business control and analytics is a big opportunity here.4、参考资料

孙威
2007年合肥其他上市企业
技术派与金融派互联网金融监管两种思路分析

相关推荐