調(diào)研豆瓣讀書的書籍詳情頁药薯，【喜歡這本書的人也喜歡這個】推薦模塊的效果见芹。

?

一. 理想態(tài)

1.1定義理想態(tài)

給用戶推薦相關(guān)且用戶潛在感興趣的書籍别智，吸引用戶進行深層次互動行為桩匪，包括點擊，評論邦泄，收藏等撬腾，提高用戶在平臺的留存枫甲。

1.2核心指標(biāo)拆解

（1）用戶基本行為分析

用戶對于【喜歡這本書的人也喜歡】推薦列表的操作如下所示椅亚。

用戶不點擊推薦書籍限番，表明用戶不滿足，不是用戶喜歡的呀舔；用戶點擊推薦書籍弥虐，但是存在跳出行為，表明用戶對于該推薦一般媚赖；而存在查看行為霜瘪，表明用戶對于推薦的書籍存在一定的興趣，較滿足惧磺；若用戶產(chǎn)生互動行為和購買行為粥庄，則認(rèn)為用戶被滿足，達(dá)到較為理想的推薦效果豺妓。

Ps：對于已登入用戶，假設(shè)推薦列表都是推薦給用戶沒有看過的書籍布讹，如果用戶后續(xù)操作標(biāo)記“在讀”琳拭，“讀過”等，表明用戶雖然看了此書但是并未在平臺上有過相應(yīng)的操作描验，平臺并未識別到白嘁，那么后續(xù)推薦便可不再推薦；但是此次推薦膘流，用戶產(chǎn)生了互動行為所以依然可以被認(rèn)為得到滿足絮缅，因為符合理想態(tài)的定義。

（2）核心指標(biāo)量化

一般來說推薦系統(tǒng)理想態(tài)的衡量指標(biāo)是準(zhǔn)確率和召回率呼股。準(zhǔn)確率是針對我們預(yù)測結(jié)果而言的耕魄，它表示的是預(yù)測為正的樣本中有多少是真正的正樣本。而召回率是針對我們原來的樣本而言的彭谁，它表示的是樣本中的正例有多少被預(yù)測正確了吸奴。

因此本次設(shè)定指標(biāo)如下：

準(zhǔn)確率=每本推薦書籍的點擊uv /推薦列表的總點擊uv

例如我們給用戶推薦了10本書籍，對其中2本，用戶產(chǎn)生了點擊则奥，那么準(zhǔn)確率為2/10= 0.2考润。推薦列表準(zhǔn)確率=每本推薦書籍的求和平均值，可橫向?qū)Ρ人型扑]書籍的轉(zhuǎn)化情況读处，可以重點觀察過高或過低的異常值糊治。

召回率=用戶在推薦列表的點擊書籍?dāng)?shù)/用戶在平臺的總點擊書籍?dāng)?shù)

例如我們給用戶推薦了10本書籍，其中1本用戶產(chǎn)生了點擊罚舱，而用戶最終在平臺上總共點擊了20本數(shù)井辜，那么召回率為1 / 20 = 0.05， 表示的是推薦系統(tǒng)推薦的那些符合用戶興趣并產(chǎn)生點擊的書籍占了用戶實際總共點擊的書籍有多少比例馆匿。

推薦位置轉(zhuǎn)化率=第N個位置的點擊UV/推薦列表的總點擊UV

一般而言抑胎，越靠前位置的推薦書籍越該是用戶最感興趣，且與本書相關(guān)性高的渐北，因此用戶點擊的可能性越大阿逃，推薦位置轉(zhuǎn)化率越高；隨著位置靠后赃蛛，推薦轉(zhuǎn)化率下降恃锉；可以縱向比較，不同書籍的同位置的轉(zhuǎn)化率呕臂；可以橫向比較同一個推薦列表的不同位置的轉(zhuǎn)化率破托，一般而言推薦位置的轉(zhuǎn)化率。

用戶滿足程度=采用對應(yīng)路徑進入的uv/通過推薦進入書籍詳情頁的總uv

如上圖所示歧蒋，將用戶的交互行為路徑分類土砂，并進行量化。

二. 抽樣分析

由于數(shù)據(jù)獲取較難谜洽，因此采取抽樣調(diào)查的方法萝映，檢查核心指標(biāo)是否達(dá)到理想態(tài)，從而探索豆瓣讀書的推薦策略及是否存在問題阐虚。

2.1分析維度及字段選擇

一般而言序臂，推薦策略的輸入主要有兩個特征，用戶特征和書籍特征实束，將用戶與書籍做匹配奥秆，但是調(diào)查發(fā)現(xiàn)：

（1）選取的指標(biāo)需滿足符合常理同時可量化，數(shù)據(jù)可獲取的條件咸灿，用戶特征無法獲取构订。

（2）游客狀態(tài)和登錄狀態(tài)，登錄與多次操作后避矢，該推薦模塊都沒有變化鲫咽，也佐證用戶特征沒有作為輸入签赃。

因此此次主要從書籍特征進行分析，標(biāo)記星號的為可用字段分尸。

2.2書籍選擇

書籍選擇如下锦聊，方便從不同維度進行分析。

2.3樣本分析

1.增長黑客

2.運營之光2.0

3.哈利波特與密室

4.截句詩叢冷門

5.聰明女人說話辦事108個細(xì)節(jié)

2.4推薦策略猜測

（1）推薦策略的基本情況

游客與會員對比：在退出登錄后箩绍，以游客身份重新搜索一遍相同的書籍孔庭，發(fā)現(xiàn)游客和會員看到的推薦書籍是一樣的，由此猜測：豆瓣讀書沒有按用戶類別做個性化推薦材蛛。

同身份多次操作對比：再次登錄圆到，在書籍詳情頁做了想讀、在讀卑吭、讀過芽淡、評價、取消在讀豆赏、取消讀過等交互操作挣菲，推薦列表的書籍沒有變化；點開推薦書籍詳情頁后掷邦，又返回原書籍詳情頁白胀，推薦列表的書籍依然沒有變化。

同身份隔天登入對比：發(fā)現(xiàn)該模塊的部分書籍進行了替換抚岗，位置也進行了調(diào)整或杠，如《增長黑客》替換了4本書，未被替換的6本位置也有所調(diào)整宣蔚，表明該模塊的推薦策略以天為單位進行重新推薦向抢。

（2）是否進行推薦

通過對冷門書籍進行比對，發(fā)現(xiàn)是否進行推薦與評分人數(shù)和評分高低密切相關(guān)胚委。

（3）推薦策略的關(guān)鍵輸入

對于評分人數(shù)10人以上挟鸠，評分6分以上的書籍進行推薦策略的猜測，根據(jù)抽樣的結(jié)果整理可知：按照樣本的情況篷扩，可知，比較書籍與對應(yīng)推薦書籍的情況茉盏，推薦策略的關(guān)鍵輸入根據(jù)相關(guān)性的優(yōu)先級確定鉴未，排序依次為豆列，標(biāo)簽鸠姨，評分铜秆，出版時間，出版公司等讶迁。

因此猜測對于評分人數(shù)10人以上连茧，評分6分以上的書籍，大概率根據(jù)豆列，標(biāo)簽啸驯，評分客扎，出版時間，出版公司等字段進行加權(quán)計算罚斗，得出候選內(nèi)容池并進行排序徙鱼，與本書籍相關(guān)性最高，得分最高的排在前面针姿。

三．問題匯總

3.1發(fā)現(xiàn)問題

（1）沒有考慮用戶類別和用戶行為做個性化推薦

（2）無評分或評分人數(shù)少袱吆，評分低的書籍無推薦模塊

（3）關(guān)鍵輸入“豆列”涵蓋性過廣----準(zhǔn)確性不夠，推薦不準(zhǔn)

《哈利波特與密室》距淫，《增長黑客》等前三的豆列收錄書籍過千绞绒，各種類型的書都有，泛而不精榕暇；依據(jù)此進行推薦蓬衡，容易出現(xiàn)推薦錯誤。

《哈利波特與密室》前二豆列

《增長黑客》前三豆列

如《范志紅：吃出健康好身材》推薦《如何學(xué)習(xí)》拐揭，因為兩者的豆列有相似撤蟆，但是相似豆列均為收錄數(shù)過千，泛而不精的豆列（37°暖書單（二） (37°暖)）堂污；

（4）標(biāo)簽寬泛不準(zhǔn)確家肯，標(biāo)簽在推薦中的權(quán)重不夠----準(zhǔn)確性不夠，推薦不準(zhǔn)

《范志紅：吃出健康好身材》推薦《如何學(xué)習(xí)》盟猖，因為兩者的標(biāo)簽都命中“學(xué)習(xí)”讨衣，而學(xué)習(xí)這個標(biāo)簽過于寬大。

《截句詩叢冷門》的標(biāo)簽為“詩歌?? 哲思?? =i226+227=?? *合肥·黃山書社*”式镐，《聰明女人說話辦事108個細(xì)節(jié)》的標(biāo)簽為“聰明女人說話辦事108個細(xì)節(jié).pdf?? 說話的藝術(shù)?? 女人?? 女人說話?? 還湊合?? 智慧?? 很好?? 社科”反镇，標(biāo)簽管理不到位，書迷貼上的稀奇古怪的標(biāo)簽限制了小眾圖書的推薦和曝光娘汞。

《增長黑客》推薦《賦能》,標(biāo)簽不相同但是被推薦歹茶，通過閱讀發(fā)現(xiàn)兩者書籍分別屬于互聯(lián)網(wǎng)運營類和領(lǐng)導(dǎo)思維類，與其他被推薦書籍相比你弦，類型差距較大惊豺，推薦由于標(biāo)簽權(quán)重不夠，沒有被剔除禽作。

（5）內(nèi)容強相關(guān)的書籍并未排在前面---排序問題

《運營之光》屬于運營類書籍尸昧，《增長黑客》比《精益數(shù)據(jù)分析》的類型，關(guān)聯(lián)豆列旷偿，熱度（讀過,在讀烹俗，想讀爆侣，評論數(shù)加總）都要高，但是卻排在后面幢妄。

（6）書籍之間相互推薦---多樣性不夠兔仰，推薦冗余

書籍與被推薦書籍之間：《增長黑客》和《運營之光2.0》的推薦書目重合6個；《哈利波特與密室》與《海底兩萬里》的推薦書目重合4個磁浇；與《魯濱遜漂流記》的推薦書目重合5個斋陪；

系列書籍之間：《哈利波特與密室》中推薦了兩本哈利波特系列書籍；《截句詩叢冷門》的推薦書目全是同系列書籍置吓，其對應(yīng)的推薦書籍也推薦本書无虚；

（7）新版本的經(jīng)典書籍和小眾冷門書籍得不到曝光---時效性缺乏

通過抽樣可知，一般都會推薦年份差距不大的書籍衍锚，但是經(jīng)典書籍的新版本和相關(guān)性較高的小眾冷門書籍友题，猜測因為評分，評論數(shù)等不夠戴质，并沒有被推薦度宦，得不到該途徑的曝光。

3.2優(yōu)先級判斷