没有算法资源，产品经理如何从0到1搭建推荐系统？
Posted 智能推荐系统
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了没有算法资源，产品经理如何从0到1搭建推荐系统？相关的知识，希望对你有一定的参考价值。
随着互联网流量红利消失，整个互联网行业正经历剧烈的竞争与淘汰过程，存量用户经营成为接下来主要关注点。前一阵某朋友脱离送金币的资讯业务，开始将资讯产品的流量导向新起的电商项目。
从0到1做产品，不免资源有限，又不得不考虑如何更高效匹配人和商品之间的关系问题，不免想到利用推荐系统解决问题，内部没有算法资源支持，外部没有采购预算，这件事情真的无解了吗？今天跟大家分享下，没有算法资源，产品经理如何从0到1搭建推荐系统？
产品早期需求
在外行看来，推荐系统是高大上的黑科技产品，作为从业多年的业内人士，则更多看到的是推荐系统适用场景与限制。之前发表《灵魂拷问产品经理，你的产品真的需要个性化推荐系统吗？》，专门论述了个性化推荐适用的场景和业务阶段，其实归根到底，就是投入产出比的问题。
在业务早期，产品能不能生产壮大存在着大量的未知，企业投入资源也会相对慎重，此时一方面需要设定业务和产品阶段目标，一方面则需要在有限的资源内，快速达成目标。新产品落地最早需要证明的是流程跑通，其次则是新用户留存。在资讯和电商产品中，物品（内容和商品）的丰富度和产品匹配效率，是影响留存最关键的两个因素。在早期阶段，即便没有算法支持，也应该想办法提升物品分发效率，进而提升留存率。
早年有朋友做短视频新产品，完全陷入先有蛋还是先有鸡的问题。日活几千，公司觉得没有投入算法意义，不投入算法无法实现个性化推荐留存有瓶颈。这位朋友最终陷入了佛系状态，公司不给资源，自己能怎么办？
但客观来讲，推荐系统是不是离了算法就无法实现千人千面了？是不是就没有产品可以做的空间了？显然不是，市面上内容媒体和电商，绝大多数还是基于运营编辑做千人一面或规则做的千人百面的产品展示方式，即便没有算法，只用标签规则，也能够搭建推荐系统，在一定程度上实现提升分发效率的需求。
推荐数据准备
通过规则实现标签推荐系统，最基础和根本的是准备数据。以资讯为例，至少需要准备标题、摘要、正文、标签、类别、发布时间等数据属性，在这些属性中，能否打出高质量的标签属性，又尤为关键。有了数据之后，才能在此基础上设定推荐规则。
有些团队技术能力稍强的，可以找开源打标工具，再找人过一遍，查看打标质量。如果连这方面技术人力都抽不出来的话，那么产品和运营就人肉上吧，一个人每天打出一些高质量的标签，才是破解干着急没资源最好的方法。
标签推荐策略
搭建一套最简单的推荐系统至少需要考虑三方面策略：冷启动策略、长短期兴趣策略、多样性策略。
冷启动策略解决新用户没有行为时推荐结果的问题。此时用户的兴趣和偏好还不确定，应该尽可能照顾多样性和高点击率。因此这里策略应该是选取不同类别热门内容，以平衡多样性内容和点击的问题。
长短期兴趣策略，实际需要推荐结果兼顾用户长期兴趣和短期点击反馈，从而能让用户感知到推荐的是符合其行为和偏好的。长期兴趣可以按照用户正反馈行为做设定，最终按照标签取top值；短期兴趣则根据近期正反馈行为做设定，按照时间最近选择标签top值。此处按标签，主要是照顾更细粒度兴趣偏好，用户体验和匹配度更好。
多样性策略主要解决信息茧房问题，避免用户陷入特定偏好内，用户兴趣变了或者厌倦了，都会成为流失客户对产品造成损失。因此多样性策略需要照顾更多种类，而不只是标签级的，如果用户兴趣都在NBA范畴内（詹姆斯、科比 、杜兰特），此时再推荐霍华德、伦纳德作为多样性显然不合适，而类别层面则更能满足多样性诉求。
经过以上对业务分析、数据准备、推荐策略制定，即便没有算法也能构建出推荐系统，让终端用户体验到千人千面和私人定制感。同时也可以通过数据对比，证明推荐系统价值，争取更多资源和人力，将业务做大做强。
「 更多干货，更多收获 」
关注我们
智能推荐 个性化推荐技术与产品社区 |
长按并识别关注 |
一个「在看」，一段时光 以上是关于没有算法资源，产品经理如何从0到1搭建推荐系统？的主要内容，如果未能解决你的问题，请参考以下文章