工作中在推荐小说、特效、陪玩的时候针对用户会有不同的推荐。这里主要讲一下推荐中存在的问题和解决方法。
推荐：
主要指的是通过用户和物品的关联（例如兴趣、文化、用户属性）给出用户感兴趣的物品。
常见场景是满足用户「逛」的需求，通过抓手物品引出相似物品推荐，提高用户的停留时长和体验感
推荐考虑的维度有三类：1. 内容属性 2.用户属性（年龄、性别、职业等） 3. 场景特征（工作、通勤、旅游等）
一、 小说推荐：
- 小说推荐目前主要是根据用户性别来做推荐，年龄会存在不准确的问题（例如常见场景：根据视频偏好算出的年龄为母亲，但游戏偏好会是孩子，因为母子共用手机；）
- 冷启动：当无法识别性别的时候，主要根据当前app的占多数的性别作为默认推荐。
- 推荐算法前提：积累足够的用户数据/内容数据
- 推荐A/B实验的问题：
- 候选问题：当书籍候选池不足的时候，会出现缺乏指定类型用户偏好的内容，导致推荐榜不满足用户需求、相似推荐也会存在不满足的情况。
- 模型问题：具体可参考模型本身的准召
- 评估推荐效果：
- 通过数据计算不同场景的推荐top100，看是否满足预期，例如给男性推荐的书籍是否是男性偏好的内容。
- 推荐来源的用户量级占比，推荐来源的用户的人均阅读时长、留存率表现和大盘对比。
二、特效推荐：
- 冷启动：根据各国分年龄性别的偏好排序做基础，也就是说以大众化的兴趣为基础。
- 候选问题：日本特效投稿低经过分析来看主要原因是日本文化中对于露脸存在抵触，因此上线了隐藏面部特征的特效。
三、陪玩推荐：
陪玩推荐存在相互匹配的问题，一方面需要用户匹配陪玩，另一方面需要陪玩当前在线并且能够有充裕时间满足用户需求。
- 陪玩分发策略：在线>忙碌>离线
- 排序策略：
考虑因素：陪玩（活跃度、成交量）、用户（下过单的陪玩、聊过天的陪玩、浏览过的陪玩）