在這個時代背景下，信息爆炸與長尾問題普遍發(fā)生，而解決方案之一是個性化推薦技術(shù)，那具體什么是個性化推薦，怎么去實現(xiàn)這一過程呢?

這篇讀者朋友需要做到的是讀完以后，對個性化推薦技術(shù)有一個全局宏觀的認(rèn)識，對于細(xì)節(jié)不用過多地苛求。

個性化的具象表現(xiàn)：以購物 App(淘寶)為例

在日常生活中，你在打開淘寶購物時，可能會遇到以下若干情形： 

• 和好友同時打開 App 后發(fā)現(xiàn)，為什么兩個人首頁各個頻道入口的圖片以及文字不一致?
• 為什么同樣搜索可愛小背心，你和好友竟然出現(xiàn)不一樣的商品列表?
• 為什么我剛剛瀏覽了褲子以后，首頁各個頻道的展現(xiàn)變了?
• 為什么在對比好友的以上界面后，我更喜歡我自己的界面?

注：這里頻道的概念是指淘搶購/有好貨/必買清單等電商頻道，不理解的讀者可以打開 App，以上情形背后的答案就是個性化推薦技術(shù)，當(dāng)然也包含了相關(guān)的搜索技術(shù)。

那淘寶是如何做到的呢，其實這背后就是涉及了數(shù)據(jù)的收集，挖掘計算，以及個性化呈現(xiàn)。

所以基于上面的問題，我們又會問： 

• 淘寶是如何知道我喜歡什么并且可能想要買什么的?
• 為什么它能做到每個人都不一樣?
• 為什么它要這么做?

淘寶是如何知道的?

回答這個問題，其實背后是一套機器學(xué)習(xí)的方法在支撐，所以我們先要弄清楚什么是機器學(xué)習(xí)。

機器學(xué)習(xí)概述

我們先看看什么是人的學(xué)習(xí)，這里主題是人。學(xué)習(xí)，是指通過閱讀、聽講、思考、研究、實踐等途徑獲得知識或技能的過程。

學(xué)習(xí)分為狹義與廣義兩種：

• 狹義：通過閱讀、聽講、研究、觀察、理解、探索、實驗、實踐等手段獲得知識或技能的過程，是一種使個體可以得到持續(xù)變化(知識和技能，方法與過程，情感與價值的改善和升華)的行為方式。
• 廣義：是人在生活過程中，通過獲得經(jīng)驗而產(chǎn)生的行為或行為潛能的相對持久的行為方式。學(xué)習(xí)后的主體在未來的生活中可以將過去學(xué)習(xí)到的知識，技能應(yīng)用于生產(chǎn)生活，來開展工作。   

那從字面上來理解，機器學(xué)習(xí)就是將主體換為機器，并且它通過某種途徑來獲取知識或者技能的過程，并應(yīng)用于未來的生活工作。

人獲取知識的外化載體是書本，音頻，視頻等，傳輸通道是人的感官，處理中心是大腦，而對應(yīng)于機器，外化載體也同樣可以有以上各類信息源，并且使用各類外放設(shè)備收集信息，處理中心是 CPU 與存儲共同維護。

人的學(xué)習(xí)有兩個基本方法，一個是演繹法，一個是歸納法，這兩種方法分別對應(yīng)人工智能中的兩種系統(tǒng)：專家系統(tǒng)和機器學(xué)習(xí)系統(tǒng)。

所謂演繹法，是從已知的規(guī)則和事實出發(fā)，推導(dǎo)新的規(guī)則、新的事實，這對應(yīng)于專家系統(tǒng)。

專家系統(tǒng)也是早期的人工智能系統(tǒng)，它也稱為規(guī)則系統(tǒng)，找一組某個領(lǐng)域的專家，如醫(yī)學(xué)領(lǐng)域的專家，他們會將自己的知識或經(jīng)驗總結(jié)成某一條條規(guī)則、事實。

例如某個人體溫超過 37 度、流鼻涕、流眼淚，那么他就是感冒，這是一條規(guī)則。

當(dāng)這些專家將自己的知識、經(jīng)驗輸入到系統(tǒng)中，這個系統(tǒng)便開始運行，每遇到一些新情況，會將之變?yōu)橐粭l條事實。

當(dāng)將事實輸入到專家系統(tǒng)時，專家會根據(jù)規(guī)則或事實進行推導(dǎo)、梳理，并得到最終結(jié)論，這便是專家系統(tǒng)。

而歸納法是從現(xiàn)有樣本數(shù)據(jù)中不斷地觀察、歸納、總結(jié)出規(guī)律和事實，對應(yīng)機器學(xué)習(xí)系統(tǒng)或統(tǒng)計學(xué)習(xí)系統(tǒng)，側(cè)重于統(tǒng)計學(xué)習(xí)，從大量的樣本中統(tǒng)計、挖掘、發(fā)現(xiàn)潛在的規(guī)律和事實。

舉個栗子可能更容易讓人理解這一過程，并且對于已經(jīng)對機器學(xué)習(xí)有一定了解的同學(xué)，我們順便講講什么是特征工程里面的交叉特征與線性/非線性模型。

①數(shù)據(jù)→單特征(low level 特征)+線性模型→預(yù)測

假設(shè)有一對情侶，你是主人公(女友)，2 個月前，朋友給你介紹了一個男友，他是工作狂。

為了互相了解，你們每周末都會一起約會吃飯;已經(jīng)約會有 8 周了，每周吃飯男友都會比約定時間晚到 10 分鐘-30 分鐘，所以你每次約會也會比約定時間晚 10-30 分鐘。

并且你總結(jié)了一個規(guī)律：如果約會前打電話他說在公司，那么基本都是晚到 30 分鐘左右，如果他說在家里，那么基本會晚到 10 分鐘。

②數(shù)據(jù)→交叉特征(high level 特征)+線性模型+單特征(low level 特征)+非線性模型→預(yù)測

以上情形沒有維持多久，男友的遲到時間變多了，有時在公司他會遲到 15 分鐘，但是有時在家里卻會遲到 20 分鐘。

所以有時你到了以后等了很久男友才來，然后經(jīng)過詢問遲到 15 分鐘和遲到 20 分鐘的具體情況，你又得出了一個結(jié)論：如果男友在家并且不開車過來，那一般就要 20 分鐘了，如果男友在公司但是他開車過來那就只要 15 分鐘。

③數(shù)據(jù)→交叉特征(high level 特征)+單特征(low level 特征)+非線性模型→預(yù)測

不過又過了沒多久，男友的遲到時間又變了，這次基本上遲到時間在 10-45 分鐘之間，并且非常不規(guī)律。

然后你總結(jié)了經(jīng)驗覺得是不是我要去分析分析本質(zhì)的原因，然后看看晚到多久合適，于是得到了以下可能對男友遲到時間有用的因素(特征)：出發(fā)地在哪，是否開車，是否下雨，出發(fā)的時間等等。

于是最終你通過分析發(fā)現(xiàn)沒有找到非常強的規(guī)律：下雨(不下雨)，男友 HH：MM 從家(公司)出發(fā)，開車(不開車)的情況下晚到具體的時間。

但是你分析到下雨天男友在公司晚于 17 點出發(fā)的情況下遲到時間一般在 30-45 分鐘，不下雨天男友在家早于 17 點出發(fā)的情況下遲到時間一般在 10-20 分鐘，以及等等情況。

不過你還是想再精確一點，于是你請教了你的好朋友–一個算法工程師，經(jīng)過他的一番數(shù)據(jù)挖掘，他告訴你了一個公式，只要按著他的公式計算你晚到的時間即可。

你很想知道他是怎么做到的，于是你開始請教他。他告訴你其實上面的種種因素都可以作為一個變量，每個變量有一個權(quán)重;比如天氣的權(quán)重是 8，當(dāng)下雨則遲到時間加 8 分鐘，不下雨則不加。

再比如開不開車的權(quán)重為 10，不開車遲到時間加 10 分鐘，開車的時候不加等等。

然后進一步的問題就是這個權(quán)重怎么得來的呢?那么學(xué)到以上決策機制的流程就需要以下幾個要素：

• 數(shù)據(jù)：男友歷次遲到的時間，以及遲到前的狀態(tài)(天氣，位置，出發(fā)時間等等)。
• 特征工程：比如上面的地點和是否開車的二維聯(lián)合就是特征工程(交叉特征)。
• 算法：使用決策樹(非線性)還是線性回歸(線性)等等其他算法。
• 學(xué)習(xí)到模型：主要指上面各個特征的權(quán)重組成的公式。

注：這里涉及到一個問題就是權(quán)重為多少才是對的權(quán)重呢?這里就涉及了一個模型評估的問題。

舉個例子，如果利用你學(xué)習(xí)到的權(quán)重模型 A 與模型 B 比較，A 模型在后面的十次約會中累積誤差為 10 分鐘，而 B 模型為 15 分鐘，則 A 模型的權(quán)重比 B 好。當(dāng)然具體算法模型的迭代過程，我們在未來會講到。

延伸：上面的例子講訴的就是在機器學(xué)習(xí)整個框架下，有深挖特征和深挖算法兩種。

做特征就是針對具體問題構(gòu)造各種可能對問題結(jié)果有影響的因素(包括單特征與交叉特征)。

深挖算法其實是嘗試不同的算法，比如線性與非線性(淺層學(xué)習(xí)與深度學(xué)習(xí)算法)。

目前業(yè)界比較代表的做法是 LR+深層特征，DNN+淺層特征。上面的三個約會的例子的漸進性其實在這里也正好對應(yīng)了機器學(xué)習(xí)中的反饋學(xué)習(xí)及強化學(xué)習(xí)，根據(jù)男友遲到的時間，女生在動態(tài)的調(diào)整自己晚到的時間。

機器學(xué)習(xí)過程中的幾個注意點

①從感知到認(rèn)知：感知的一個重要體現(xiàn)就是數(shù)據(jù)的獲取與收集(可類比人對信息的獲取，如眼睛)，認(rèn)知強調(diào)理解。

②從學(xué)習(xí)到?jīng)Q策：學(xué)習(xí)，對已有數(shù)據(jù)應(yīng)用相關(guān)算法進行規(guī)則/模型的計算歸納;決策，遇到新的問題時，使用學(xué)到的知識進行學(xué)習(xí)。

算法和數(shù)據(jù)哪個更重要：數(shù)據(jù)秒殺一切算法，但真正推動社會進步的是算法，而不是數(shù)據(jù)。

數(shù)據(jù)就好像是工業(yè)革命時期的煤炭，非常重要，蒸汽機就像是算法，***大家記住的是瓦特發(fā)明了蒸汽機，而不是英國的煤礦。

機器學(xué)習(xí)常見的概念

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)的數(shù)據(jù)比較特殊，舉個例子，比如你在中學(xué)學(xué)習(xí)英語，在老師的幫助下練習(xí)英語發(fā)音，數(shù)據(jù)是你的發(fā)音和這個發(fā)音的對錯/準(zhǔn)確程度(對錯/準(zhǔn)確程度是老師告訴你的)。

然后算法就是你去嘗試去模擬數(shù)據(jù)(發(fā)音)的規(guī)律，不斷根據(jù)英語單詞的拼寫規(guī)律來學(xué)習(xí)發(fā)音，最終你學(xué)習(xí)到了基于拼寫及句子的上下文調(diào)整發(fā)音。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)的數(shù)據(jù)中沒有人告訴你對錯信息，舉個例子，今天老師給你了一個碗，里面有黑米有紅米，讓你對這個碗里的米分個類。

你可能根據(jù)顏色分類，也可能根據(jù)大小、重要分類，都沒有問題，因為老師沒說按什么分，對不對這個問題。

降維

降維是從更基本的維度來看問題，舉個例子，這雙鞋，對其降維可以是 Nike 這個運動品牌，也可以是運動鞋這個類目。

泛化

泛化就是你學(xué)到的規(guī)則/模型的普適程度。舉個例子，今天老師讓你看了 20 個西瓜，并告訴你熟不熟，然后給你一個西瓜，問你只看外觀。這個西瓜熟不熟，你可能根據(jù)以下來判斷。

可能你是這么做的：看表皮，你發(fā)現(xiàn) 20 個瓜里面，瓜皮表面光滑、花紋清晰、紋路明顯、底面發(fā)黃的瓜都是熟的，但是不滿足任何一個條件的都是不熟的。

所以你學(xué)到的模型如下：如果瓜皮表面光滑、花紋清晰、紋路明顯、底面發(fā)黃的，就說明是熟瓜;其他的是不熟的瓜。

但是其實有時候，紋路不明顯，但其他條件滿足的時候也會有一部分是熟的瓜。所以你學(xué)到的模型具有一定泛化性能，但不具有很高的泛化性能。

如上圖，目標(biāo)是藍線，你從 Data 里面學(xué)到了左右兩條紅線，左邊的有一些誤差，右邊的無誤差，但是對于真實的目標(biāo)而言，左邊更好，因為日常問題中，你沒法獲取所有的數(shù)據(jù)，所有會出現(xiàn)泛化這個問題。

機器學(xué)習(xí)最難的是什么

機器學(xué)習(xí)最難的一步，就是把現(xiàn)實生產(chǎn)生活中的問題， 提煉成一個機器學(xué)習(xí)問題 。

這基于對問題本身的深刻洞察。如何從一個全新的領(lǐng)域， 去提取機器學(xué)習(xí)可以有助解決的最重要的問題。

淘寶的機器學(xué)習(xí)

由上面機器學(xué)習(xí)相關(guān)的介紹可以類推淘寶 App 為什么能夠知道你喜歡什么，是基于一個假設(shè)條件的：一個人歷史的購物行為及偏好，會在未來的行為中也有跡可循。

所以利用機器學(xué)習(xí)我們通過用戶歷史交互數(shù)據(jù)(特征包括：誰在什么時間買了什么東西，這個東西的名字叫什么，什么顏色，價格多少等等)。

比較有用的可以對未來推薦有指導(dǎo)意義的特征包括：

• 購買力，一個平時只買 100 元左右牛仔褲的用戶，未來短期內(nèi)買 10000 元和 10 元的褲子的概率遠遠低于買 100 左右或者 200 左右的概率，所以推薦的時候會更優(yōu)先給你看到 100-200 左右的褲子。
• 性別，平時在淘寶上只買男性或男女通用商品的用戶，未來短期內(nèi)買女性商品概率遠遠低于男性和男女通用商品的概率。
• 年齡，一個一直購買 20-25 歲左右服飾的用戶，未來短期內(nèi)購買其他年齡段的概率遠遠小于 20-25 歲年齡段的概率。
• 等等。

注：以上特征均會在***預(yù)測用戶可能喜歡什么中有用，但是注意一個人也可能很違背之前的購物行為。

比如一個只夠買 20-25 歲衣服的女性，突然買了一個嬰兒的衣服，可能從這個節(jié)點是她小孩誕生或者是給姐姐的小孩買禮物等等，這一瞬時購物興趣的變化一般由實時推薦 Cover。

為什么能夠做到每個人不一樣

參看上面的公式你會發(fā)現(xiàn)，如果在機器學(xué)習(xí)階段考慮一些跟人相關(guān)的因素(特征)，那這個因素的不同值就會影響結(jié)果輸出。

比如我們現(xiàn)在根據(jù)用戶對他購物的商品的評分?jǐn)?shù)據(jù)，來預(yù)測一個他從未買過的商品的評分，背后影響用戶評分的因素可能包括以下幾個：價格，售前/后，物流，商家主營類目是否和用戶購買的類目相同，其他用戶的評分(如果其他用戶評分高則一定程度上代表了這個商品的好壞)等等。

比如物流和價格這類因素(特征)，如果和用戶這個特征做交叉后，其實會有非常迥異的權(quán)重值，而這一切是每個用戶的購買力和用戶體驗?zāi)褪芰Φ炔煌瑤淼摹?/p>

所以如果你考慮了用戶的特征則這就會影響每個人的推薦結(jié)果不一樣。

為什么淘寶要這么做

至于為什么淘寶會去花這么多資源做個性化，可以概括為以下三點：

• 獲取新的認(rèn)知
• 創(chuàng)造新的智慧
• 產(chǎn)生有價值的決策

從歷史數(shù)據(jù)中探索用戶的消費需求，舊數(shù)據(jù)中挖掘新認(rèn)知，從新認(rèn)知出發(fā)結(jié)合機器學(xué)習(xí)算法創(chuàng)造新的智慧，***幫助用戶發(fā)現(xiàn)他感興趣的商品，將最適合的商品呈現(xiàn)給他。

長尾挖掘

打破 80% 的用戶只買 20% 的商品的規(guī)律，更好地降低長尾商品的比例。因為在電商產(chǎn)品中，在非個性化的商品展示過程中，往往爆款商品擁有更多的流量，這樣其實不能很好的照顧到高質(zhì)量長尾用戶和高質(zhì)量長尾商品。

舉個例子，在淘寶的某個頻道，有很多褲子，A 褲子 100 元近 5 天的銷量可能 1w 件，B 褲子 1000 元近 5 天的銷量是 100 件。

在不考慮其他因素的情況下，非個性化模型(或運營排序)一般會偏向于 A 褲子在 B 褲子前面。

但是如果這個用戶在平臺歷史購物行為都是集中在高價格商品(名牌包包等)，則如果你個性化的考慮每個人的這個偏好，那么有可能 B 褲子就在前面了，而且用戶可能真的更喜歡 B 褲子。

流量利用

在 App 或網(wǎng)站有限的商品曝光機會下，為每個展現(xiàn)的商品爭取***的點擊/成交等。

因為用戶在平臺上地時間是有限的，如果能在海量的商品中，為用戶找到他感興趣地商品，那么平臺將在這有限地流量資源下收獲更大的價值。

舉個例子，有可能用戶在某個頻道下，看了 A，然后看了 B，再看了 C，最終買了 D，并且 ABCD 這四個商品都是有一定關(guān)系地商品，那么平臺能否在一開始在我看完 A 以后就幫我找到 C，并在 A 下面推薦 D 商品。

在***限度挖掘用戶購物需求的情況下，***限度縮短用戶購物的時間。

用戶體驗

為每個用戶創(chuàng)造***的用戶體驗。***的用戶體驗是用戶信任依賴平臺，在每次購物過程中，希望平臺能夠幫助其快速，準(zhǔn)確地找到其想要地商品。

這一過程中包括了基于用戶歷史興趣的再延伸，也有基于用戶角色的行為探索。

比如用戶每隔 25-30 天會購買尿不濕，未來平臺是否能夠在 23-33 之間快速捕捉用戶購買尿不濕的需求。

再比如用戶在平臺上***次瀏覽電腦，我基于用戶的其他購物行為(比如用戶之前在平臺上經(jīng)常買 20-25 歲的衣服，并且大部分郵寄的地址為大學(xué)宿舍)，是否平臺可以在接下來的瀏覽中為用戶呈現(xiàn)適合學(xué)生族高性價的電腦。

推薦技術(shù)概述

①推薦在電商購買決策過程中的作用

電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程，經(jīng)典配圖：

上圖隱含的 2 個重要的推薦系統(tǒng)的核心功能：

路徑優(yōu)化(弱化主動篩選功能)：從看了 A 再看 B 再看 C，***買了 C 到看了 A，推薦系統(tǒng)推薦 C，用戶下單。

興趣發(fā)現(xiàn)(貼心小秘書)：從你上淘寶不知道買什么的時候，告訴你你可能喜歡什么，常用的推薦產(chǎn)品。

②推薦系統(tǒng)是怎么做到的類比人的行為

其實推薦系統(tǒng)做的事可以類比于生活中的貼心男友或者女友，那我們就當(dāng)他是男友吧，來看看他是怎么做的：

上知天文，下通地理：下雨了，男友知道你沒帶傘，把傘送到了公司。

察言觀色：女朋友一直在看寶寶，尤其是 LV 的，生日那天買了一個。

人情練達：看到和你玩的好的幾個閨蜜都買了某款口紅，沒過幾天就買了這款口紅。

念念不忘：你經(jīng)常說的偶像、崇拜的人他會記住，時不時買幾個他們的新作品。

體貼入微：他知道你大姨媽來的時候比較喜歡吃甜品，所以到了那幾天他都會帶你去吃。

緊跟時尚：新品發(fā)布，只要是你有興趣的那個方向的產(chǎn)品，都會買給你。

③推薦系統(tǒng)怎么來做到上面這些方面呢

上下文：推薦系統(tǒng)會在給你推薦商品時將考慮你所在的城市、天氣、季節(jié)等因素;梅雨天傘比平時好賣，夏天空調(diào)需求比秋天高等，北方人比南方人更喜歡保濕的化妝品。

用戶畫像：男-女/經(jīng)期時間/甜品這些都可以做成標(biāo)簽，作為推薦的依據(jù)，上次你買的姨媽巾/紙尿褲/奶粉多少天會用完，19 歲男生一般不會(低概率)買女性比基尼。

協(xié)同過濾：基于用戶：在茫茫購物的人海中，總有那么一些人是跟你非常像的(類似上面的閨蜜);推薦系統(tǒng)根據(jù)你們的行為(瀏覽、點擊、購買)計算跟你最像的那些用戶，當(dāng)他們看了/買了什么的時候，他就可能會推薦這些商品。

基于商品：在茫茫商品中，總有一些商品他們的屬性、描述很像，或者他們經(jīng)常被一起購買;推薦系統(tǒng)將會計算物品與物品之間的相似或關(guān)聯(lián)程度，當(dāng)你看了某個商品的時候，他將會把最相似/最相關(guān)的那幾個商品推薦給你。

基于模型(這個比較抽象)：利用數(shù)學(xué)建模的手段，評估你的購買意圖，將模型計算出來的得分***的推薦給你。

基于內(nèi)容：在茫茫商品中，總有一些商品他們的屬性、描述很像;當(dāng)你看了某些商品后，推薦系統(tǒng)會將內(nèi)容上最相似的那些商品推薦給你。

其他：基于統(tǒng)計/知識等 目前主流推薦系統(tǒng)都是以上各個策略的混合。

什么樣的產(chǎn)品推薦效果明顯

稀疏性，多樣性，時效性的平衡，目前推薦更多地還是錦上添花，沒有一定量的數(shù)據(jù)，效果將大打折扣。

稀疏性：穩(wěn)定的流量與穩(wěn)定的交互比例(PV/UV)

穩(wěn)定的流量與穩(wěn)定的交互比例保證了數(shù)據(jù)的稠密性，單用戶和單商品有足夠的數(shù)據(jù)可以完成機器學(xué)習(xí)，并且保證一定的置信度。

當(dāng)有新用戶(新商品)加入系統(tǒng)時，由于系統(tǒng)中缺乏用戶(商品)歷史反饋信息，所以完全無法推斷用戶的偏好，也就無法做出預(yù)測。

時效性：能夠獲得快速反饋

用戶行為數(shù)據(jù)越快被反饋的產(chǎn)品推薦效果更明顯：因為用戶的興趣是變化的，通過機器學(xué)習(xí)來推敲用戶的興趣所需的物料就是數(shù)據(jù)，如果你能夠快速地反饋用戶行為數(shù)據(jù)，那算法模型就能夠?qū)崟r地捕捉用戶變化著地興趣，當(dāng)然效果就自然而然明顯。

多樣性：條目的類別多樣

多樣的類別可以從不同的角度滿足用戶，商品量越大，類目越多，推薦的價值就越大。

多樣性與稀疏性：條目增長相對穩(wěn)定

如果產(chǎn)品本身條目增長不穩(wěn)定，那么大量新條目地涌入會使冷啟動非常明顯，而條目增長過緩會導(dǎo)致多樣性問題，推薦無法很好地從有限的池子中挑選適合用戶的條目。

未來電商不能只做成交

圍繞商品更新，商品質(zhì)量，商品與買家的匹配程度，推薦應(yīng)該從以下四點出發(fā)來優(yōu)化：

• 提升買家用戶的體驗，提高選購決策質(zhì)量與效率實現(xiàn)優(yōu)質(zhì)買家的差異化服務(wù)。
• 提高商品的有效曝光機會與轉(zhuǎn)化率，提升賣家用戶的效果與效益。
• 利益均衡機制，均衡曝光機會，提升曝光商品及商家的覆蓋率。
• 提升買家留存率與賣家續(xù)簽率，提升買賣家的忠誠度，提升商品點擊機率。

瀏覽與成交之間存在著巨大鴻溝，未來推薦將幫助平臺挖掘消費的深度，在各個特定場景下提升推薦轉(zhuǎn)換。

拓寬消費的廣度，提升推薦對物料的覆蓋，提升對用戶的覆蓋，各個場景的擴充，做到淺層消費到深層消費再到擴展消費。

圍繞著商品與人的連接以及相應(yīng)的商業(yè)訴求，讓連接匹配的質(zhì)量更高，連接的廣度更寬，同時通過機制設(shè)計促進整個商業(yè)和生態(tài)的健康發(fā)展，成為整個新商業(yè)發(fā)展的引擎驅(qū)動。

作者：姚凱飛

簡介：Club Factory 推薦算法負(fù)責(zé)人。碩士畢業(yè)于上海交通大學(xué)，前阿里推薦算法工程師，多年電商及視頻推薦經(jīng)驗，目前在出海電商 Club Factory 負(fù)責(zé)推薦算法工作。