什么是千人千面技术,千人千面主要体现的地方( 二 ) _生活百科

（2）用户标签和物品标签的建设程度。在企业面向用户进行精细化运营时，如果没有足够数据支撑用户分层和识别物品特征，那么精细化运营的工作将难以开展。
（3）实时行为数据流。无论哪一个阶段的数据智能应用，都依赖对数据的实时收集，然后才有可能基于用户的浏览行为实现个性化推送。在以上三点都满足的情况下，企业可以基于其现阶段的 ROI 决定场景及优先级。
对于算法实现的“千人千面”来说，它的流程一般从数据系统开始，采集用户行为数据并灌输至算法推荐系统，经过一系列的处理，推荐最合适的结果，然后再将结果返回用户前端做展示，同时监测用户点击效果，以此判断本次推荐效果的质量，持续优化，形成算法推荐的完整闭环。如下图所示：

文章插图

在以上闭环中，模型训练对于业务人员来讲是一个黑盒，它主要分为三个步骤：
1.物品召回，针对用户个性化展示适合其看到的物品。
2.排序，基于各种各样的判断条件对挑选出的物品进行排序，以确保其能够产生较好的曝光和转化效果。
3.重排序，该阶段需要较多业务输入。举个例子，运营人员对于产品调性和多样性有一定的要求，比如某个用户更倾向于看与宠物相关的短视频，但很难有一个产品能够只播放宠物类视频，这就需要企业清楚认识到对长期用户行为的判断是否应该完全依赖于算法产出的短期效果。
而想用好算法推荐，需要基于算法的数据智能依赖于技术与业务的双重护航：

文章插图

第一，高效运作的智能推荐系统。
首先，它的前提是可获取到准确的用户行为数据。
其次，算法模型本身。神策的算法功能，比有些客户之前用的自荐或其他模型写出的推荐效果更好，我们甚至没有进行深度调优，这就充分体现了算法模型本身的优越性。
第二，基于业务逻辑进行系统调优。
算法并不能帮助我们解决所有问题，其典型代表场景是冷启动。针对此，我提出两点建议：①从新用户进入产品前的渠道做信息和内容的承接，确保用户进入产品后，可以看到符合他预期和需求的内容；②设计好的策略主动向用户收集信息。
很多时候，算法并不依赖于用户标签和物品标签的建设，所以有的业务人员会忽略对标签建设的重视；但算法解决推荐问题的效果需要通过数据分析来做判断，本质上是对一个指标进行层层拆解的过程，如果用户画像标签/物品标签建设不完善，就会对推荐效率和质量的判断产生一定的影响。因此，虽然算法可以帮助我们解决很多问题，但同样要求我们重视本身数据的建设。
对于人工干预来说，它涉及到的通常是一些特定环节，比如，对于特定物品的封禁行为，参数调整，重排序阶段的策略等。
通过以上，我们可以了解到算法本质上要结合业务去实现，且有一定的门槛，具体表现在业务、技术和人三方面：
1.业务模式是否适合用算法解决“千人千面”的问题。
首先，算法的最大价值在于内容到用户的分发效率，那么企业的商业模式下对内容到用户的分发效率是否重视，影响力如何等。
然后，在业务发展的阶段，我们势必会优先建设内容以及拉新的动作，那么此时是否需要投入大量精力去做算法的系统，实现“千人千面”呢？
最后，物品量级和用户活跃数量是否达标。
2.是否有足够的技术资源和大数据基础支撑企业做好算法、或通过其他形式实现“千人千面” 。
3.参与人员是否具备人工智能的理论与实践的能力。

文章插图

在人工与机器智能落地方面，它的本质很好理解。首先，我们会基于特定的条件去挑选出满足条件的用户，往上可以跟一些通道系统、营销系统做对接，名单就会被自动推送，我们接下来要做的是发短信、推 push、发优惠券、发红包等一系列动作，这个是针对我们圈选的人群做的一些针对性运营设计；往下走可以对接内容营销，配置展示的内容以及顺序，通过人工决策指明方向，然后再由机器自动化去实现。