你所不知道的千人千面，人群推荐算法深度解读，正确认识人群！

大家好，新年快乐！又有很长时间没有更贴了，大家都想我了吧，哈哈，由于平时太忙，所以很久才有时间写点东西，但是我会保证每篇帖子都是好文。去年很荣幸被评为了派代10大优秀作者，这与各位粉丝对我的认可是分不开的，所以开年第一篇，准备给大家奉献一篇高质量的文章，来回馈大家。

关于千人千面的文章，去年夏天就承诺大家要写，一直拖到现在才动笔，很多人都在催，先给大家道个歉，因为我一直想盘算着基于算法层面来讲解，想把千人千面的工作原理讲透彻一些，但是又怕学术性太强，绝大多数读者读不懂，所以整理了很久，决定用学术性内容+通俗易懂的场景讲解方式让大家理解。

在日常与粉丝的交流中，我发现很多人对千人千面的理解都是错误的，这里举几个典型的错误理论供大家参考：

1.刷单是可以控制精准人群的，也就是所谓的精刷。

2.刷单的时候，通过提前收藏，加购，第二天或更长时间再成交，会让链接人群更精准。

3.只要我用女性账号来刷单，就是女性标签，用宝妈账号来刷，就是宝妈标签。

4.通过直通车人群溢价来刷单就会避免人群不精准问题。

5.人群精准会让链接的权重更高。

6.在不登录账号的情况下，我的搜索结果是没有千人千面的。

以上的论点，在很多人心中都根深蒂固了，大多数人对人群标签的理解就止步于这里了，因为一些机构，民间的传播，所以造成类似这样的说法大行其道（大家会发现上面的举例大多跟刷单有关，其实这也是想告诉大家刷单是不可能保证人群的精准性的），但是，这些说法确实都是错的。可能大家觉得不可思议，那这些论点究竟是怎么错的呢，我们从推荐算法原理本身来给大家讲解，让大家认识什么是真正的千人千面，相信大家可以自行找到答案（如果看完文章还不能理解，可以再问我）。

说到千人千面，人群标签这些名词，不得不说到推荐算法，这个数学与信息技术完美结合的伟大发明，它是基于用户行为的大量样本统计和协同过滤，对用户需求进行预测的技术。从买家角度而言，这种技术会让用户实现所想即所得，从卖家角度而言，可以扩展竞争维度，减少单一维度的竞争压力，让产品多样化，百花齐放。------------好，这只是个千人千面的概念，可能不太好理解，下面我们从场景中理解一下千人千面的存在。

相信大家都有这样的体验，比如你坐月子的老婆给你打电话说家里的尿不湿不够用了，打开淘宝，首页就出现了尿不湿的推荐；比如你和朋友在微信聊汽车，微信朋友圈就开始推汽车广告。这些现象让我们感觉像个人信息泄露一样。其实像淘宝，微信这些工具，是不会窃取你的个人隐私的，是你的行为数据让平台知道你的需求。我们以淘宝的千人千面举例，在买家用户注册账号的时候，需要填写个人的性别，身份证号等信息，很多人认为这就是千人千面的依托数据，但这些数据并不可靠，且数据过于基础。淘宝会采集你更多的行为数据，比如你使用过的手机，上过的app，看过的新闻，打车的频率，发红包的金额次数，欠银行的贷款等等，这些都会构成你个人数以万计的事实标签。标签的采集是很容易的，难在模型的建立，如何通过标签模型来准确的预测用户的需求。我们拿淘宝首页内容板块为例，常规的行为推荐算法是类似这样的公式：内容访问权重=行为权重*时间权重*衰减因子，行为权重：我们点击一篇内容，回复，点赞等行为，都会计入行为权重，根据平台积累的大数据，计算出了不同类目不同产品下的各种操作行为权重分数，在用户进行回复，点赞，收藏等行为时进行权重加分；时间权重：停留时间越长，时间权重也会越高；衰减因子：用户的单次行为不能作为用户喜好的直接评定，随着时间的推移权重也会慢慢衰减。由这样三个权重维度的综合计算得到了我们的内容访问权重，在我们多次访问同类型内容时，每次都会获得对应的内容访问权重，平台对这些权重进行累加，然后利用神经网络的阈值函数（Sigmoid函数

）进行标准化

，得到一个阈值为（0,1）的结果，通常推荐算法标准化过程是对Sigmoid函数的变形公式，得出一个阈值位0-10的结果，也就是我们所说的质量分（直通车的质量分也是以这样的方法计算来的哦），权重（或说质量分）越高，内容板块推荐类似内容的比例和频率就会越高，这就是行为推荐算法（你的行为影响了你），值得一提的是，世界上所有推荐算法的处理过程都是类似如此的，没有太大差异。这个过程，也就是大家常说的打标签（比如我们搜索看过一个产品后，猜你喜欢就会推荐类似的产品，并且看过多种产品，猜你喜欢推荐的频次是不一样的）。