常见推荐策略及其在OTA上的应用

该文因地制宜事例，对OTA选用的许多常用所推荐路子进行预估，一起来看。

什么是所推荐控制系统？依照Wiki新浪网的表述，所推荐控制系统是一种重要信息过滤器控制系统，用于预估使用者对贵重物品的打分或偏爱。个人化所推荐已经在B2C（Amazon，淘宝网，天猫等）、影片和音频（Youtube，Hulu，爱腾讯，百度音频）、个人化音乐创作（Spotify，腾讯云音乐创作，QQ音乐创作）、新闻报道（今日头条新闻，百度新闻报道）等数个领域得到广泛的应用领域，并且取得了更让人影响真切的战绩。责任编辑将结合事例来预估OTA选用的许多常用所推荐路子。

随着重要科技和终端互联网的发展，人们迈入到一个重要信息网络连接的时代，而现在的使用者越来越多的偏爱使用终端终端产品来以获取资料库，买回网路上商品。重要信息网络连接和使用者以获取重要信息的方式改变导致对无论是文本商品和服务或商品接受者，还是文本顾客或商品买回者都碰到了巨大的考验。如何利用碎片化的时间，透过终端终端产品，在海量数据的重要信息中找出想的文本或商品是两件非常十分困难的事情。所推荐控制系统透过一连串的所推荐路子来解决这个武装冲突，成为一个重要辅助工具之一。

所推荐控制系统透过不同路子建立使用者和贵重物品的关系，从而将使用者可能钟爱的贵重物品展现给使用者，如下表所示图：

注：贝阿尔恩县是依照 该文中的插画重新绘出，贝阿尔恩县的版权归原版权所有

如前所述贵重物品的协作过滤器目前是业内应用领域最少的路子，该路子的主要就路子：给使用者所推荐这些和他们之前讨厌的贵重物品相近的贵重物品，即使是如前所述使用者的发展史犯罪行为，所以能够给所推荐结果提供所推荐理据。该所推荐路子主要就分为三步：

如前所述拉沙泰格赖厄县使用者的犯罪行为来计算贵重物品间的相近度

找出与使用者发展史偏爱的相近贵重物品集按照相近度次序所推荐给到使用者

如前所述使用者的协作过滤器是所推荐控制系统中最有名的演算法，该路子的主要就路子：给使用者所推荐这些和该使用者相近使用者集讨厌但该使用者未买回的贵重物品，即使是如前所述相近使用者，很难提供令使用者信服的所推荐理据。该所推荐路子主要就分为三步：

如前所述拉沙泰格赖厄县使用者的犯罪行为来计算使用者间的相近度

找出与目标使用者有相近度的使用者集

过滤器掉相近使用者集的偏爱商品集中目标使用者已经买回的商品，将剩下的商品所推荐给到使用者

路子一和路子二主要就透过使用者的犯罪行为来计算相近度，没有利用人群或者贵重物品的特征来计算人群或贵重物品的相近度，该路子的主要就路子：给使用者所推荐这些和该使用者兴趣相匹配的贵重物品。该所推荐路子主要就分为三步：

如前所述使用者的犯罪行为计算出使用者的兴趣点

找出与使用者兴趣点匹配的贵重物品集按照匹配度次序所推荐给到使用者

我们先看一下各大OTA公司的个人化所推荐有哪些文本，目前仅发现携程和途牛中有个人化的文本，其它OTA公司如飞猪，发现有猜你讨厌栏位，但文本不会随着使用者在飞猪里面进行搜索，浏览等操作而发生改变。首先看携程，可以在数个栏位中（包括首页的广告，机票，度假，攻略等）看到个人化的文本，参考下图：

携程App个人化所推荐应用领域

注：截取携程App(V7.7.1)，图中相关文本的版权贵原版权所有

其次看一下途牛，发现也在数个栏位中（首页的广告，目的地，度假商品等）能看到个人化的文本，参考下图：

途牛App个人化所推荐应用领域

注：截取携程App(V9.25.0)，图中相关文本的版权贵原版权所有

如前所述携程和途牛上的个人化所推荐发现，OTA的个人化所推荐主要就帮助使用者完成两方面的所推荐：一方面是目的地，另一方面是具体的商品，下面来讨论一下如何利用所推荐路子来进行这两块文本的所推荐：

当使用者在App进行搜索，查看相关目的地的商品时候，比如搜索一张从上海到北京的机票，那么改使用者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所推荐候选集。

如果要丰富所推荐目的地候选集，需要去计算目的地的相近性，可以选用路子二或者路子三，下面给出选用路子三的商品路子如下表所示：

一个目的地里面会包含数个不同的景点，不同的景点有不同的标签属性，透过对一个目的地下数个景点的汇总，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近度

对使用者浏览的目的地的不同标签集进行抽取，从而得到使用者对标签的偏爱程度

如前所述使用者偏爱的标签集从目的地集中找出相近的目的地所推荐给到使用者

透过目的地所推荐帮助使用者找出目的地，但是每个目的地下面又存在多种商品，这次商品的个人化就变得十分重要，可以选用上面的三种路子，下面以路子一位例说明一下商品路子：

依赖于使用者对商品的搜索，浏览和订单犯罪行为来计算一个目的地下面商品的相近度，从而得到一个目的地商品间的相近度，同时也可以得到一个目的地下商品的热度。

如前所述使用者最近浏览过的商品，找出相近的商品作为所推荐的商品集

同时补充许多该目的地的热门商品同时作为所推荐的商品集

透过以上三步可以得到所推荐结果的来源包括：使用者实时浏览的，使用者浏览商品的相近商品以及该目的地下的热门商品

责任编辑由 @中子奇 原创发布于人人都是商品经理。未经许可，禁止转载。

题图来自PEXELS，如前所述CC0协议