隨著信息技術和互聯網行業的發展，各種數據以指數級增長，如何處理過載的信息成為了重要的問題。對於用戶而言，關注的重點是在最短的時間內如何準確地找到自己需要的內容；對於商家而言，更加關注如何在恰當的時間把恰當的物品呈現給用戶，從而促進核心指標的增長。而個性化推薦系統的本質是高效連接商品和用戶，恰好可以很好地解決上面這些問題。
一、智能推薦簡介
智能推薦（ Artificial Intelligence Recommendation， 簡稱AIRec）是阿里雲上售賣的一個大數據產品，它源生於阿里巴巴在電商行業做個性化推薦的商業背景下。AIRec基於阿里巴巴領先的大數據和人工智能技術，根據用戶的興趣偏好，來解決用戶需求和內容展示中間的關聯問題，結合阿里巴巴在電商、內容、新聞、視頻直播和社交等多個行業領域的積累，為全球企業及開發者提供雲推薦服務。
（一）智能推薦價值解讀
現在手機APP中大多數都開拓了智能推薦板塊，大部分情況下，這種智能推薦是有效果的。比如，淘寶在首頁推薦的過程中，大多數時候能夠抓住用戶興趣點，從信息流首頁的商品推薦中引流的成交率也非常高。 那麼在這個過程中智能推薦能夠給業務上帶來什麼樣的價值提升呢？
從用戶的層面來說，智能推薦的價值主要是留存抓手：通過個性化關懷、 培養用戶習慣， 增長用戶粘性。首先從用戶獲取這樣的渠道來看，一個APP想要去引進一些用戶，可能會在站外投放廣告以及其他活動的手段，把用戶引流到APP或者小程序或者是官網裡來；獲得了用戶之後，我們最大的訴求當然是希望能夠把這些用戶轉化為平臺裡忠實的用戶、粘性的用戶，在這個過程中我們可能會引進一些優質的內容、優質的店鋪商家來增加用戶粘性。但是，如何去把握住用戶在APP裡面的活躍度，讓他在APP裡面培養起來一定的習慣呢？智能推薦是可以來解決這個問題的，為什麼呢？ 用戶在使用某個APP的時候，我們想要獲取用戶的粘性，首先要知道用戶來到這個APP中最需要或者說最想要得到的內容是什麼，只有用戶獲取了所想要的知識也好，或者說價值工具也好，才能夠在整個平臺裡面達到長期的粘性。智能推薦就可以實現最快的或者說最有效的信息分發的效果，能夠保證每一個用戶都能夠在這裡（APP中）找到最感興趣的一些內容。 在幫助用戶找到想要的內容之後，我們也可以在平臺裡發佈新的內容，源源不斷地去增加對用戶的理解，增加對用戶留存的抓手。
從整體業務的角度上來看，智能推薦起到幫助打造健康的“人-貨-場”互聯方式的價值。比如說在平臺處於起步的狀態，我們搭建了一個APP，這時候我們想要實現某個功能，用（人工）推薦是不難的。但是當我們的業務在發展到一定階段的時候，不管是用戶的量級上，還是說商品、內容的量級上，可能會達到了千級、萬級、百萬級甚至億級，這時候我們很難再通過一些以往的手段，比如說基於人工運營，比如說基於熱品的推薦、折扣等，去把這些想當龐大的商品庫、商品庫展示給用戶。這個階段我們就非常需要找到一個能夠幫助業務朝著健康的方向發展的手段，也就是說需要一套個性化流量分發的手段來幫助實現“人-貨-場”互聯，來帶動業務的增長，促進業務的穩定。
當然，智能推薦在不同的行業裡面也會有不同的價值，上面僅僅是拿阿里巴巴電商業務來舉例，其背後的價值遠不止於此。
（二）淘寶個性化推薦的演進
最早，淘寶的個性化推薦主要用在了某年的一個雙11會場，比如下圖所示。從中大家可以看到，其個性化主要包括會場個性化、樓層個性化和首圖個性化，其背後是根據用戶畫像的分析得到的三個層次的個性化展示，從而利用個性化推薦達到促進雙十一銷量的價值。
隨後，個性化推薦慢慢的融入到整個淘寶APP中進行全面的推廣，如下圖所示，包括首焦點個性化、Banner個性化以及店鋪個性化。
接著，淘寶的個性化推薦進行了廣度和深度的擴展，比如雙十一活動不再侷限於當天，開始有了預售+造勢，預熱+正式等，在這個過程中智能推薦也會在不同的業務的維度上去進行不同的個性化場景搭建，比如下圖所示的入口圖個性化、多樓層入口圖個性化等等。
再往後，淘寶的智能推薦也在持續地進行創新和提效升級，比如除了做一些商品推薦之外，還會有一些業務的屬性，比如說對某些品牌或者優質商品的扶持。現在大家可以看到在淘寶裡面還嵌入了一些物流信息流的推薦，這也是內容電商提高用戶停留時長的一個手段和方法。我們可以發現，智能推薦跟業務的屬性關聯非常強的話，才能夠保證在應用的過程中，能夠隨著產品在不同的階段做出相應的業務上的調整，實現業務上的優化。
再往後，淘寶的智能推薦應用地更廣泛，向著多元態發展，比如互動城個性化、智能UI、端智能以及內容互動個性化、雲主題等等，這樣的話不管是用戶層次，還是從不同客戶端看到的內容都可以做到個性化，實現真正的“千人千面”。
（三）自建推薦痛點
以往，大家可能會選擇自建推薦的方法，但是在這個過程中，我們會遇到很多問題和挑戰，包括搭建成本、推薦效果、後續運營以及產品改版方面的問題，具體如下圖所示。下圖這些問題的存在，可能使得自建推薦的方法費時費力，且不一定能達到我們想要的效果。
（四）智能推薦特點
針對上面提到的眾多問題，智能推薦其實是一款相對來說門檻較低，又能解決問題的產品，其主要特點有：
- 埋點便捷：已經與盟友合作打造推薦定製版客戶端SDK，可進行Android端、IOS端行為數據採集，僅需要選配數據源，即可自動同步行為數據。
- 開箱即用：將複雜的推薦算法模型，離線、在線存儲與調度週期策略，運營幹預策略封裝，僅需完成數據對接，即可享用高質量的個性化推薦服務。
- 服務託管：提供豐富的數據質量診斷功能，在線服務監控告警，靈活升降配等服務，保障在線服務與推薦效果的穩定性。
二、智能推薦重點服務與功能
目前來說，智能推薦主要支持了下圖中的電商型場景、新聞型場景、內容型場景和視頻型場景4大場景，具體到每個場景中個性化的地方也有所不同，每個場景中關注的指標也不盡相同，具體如下圖中所示。關於更多的智能推薦場景應用的詳情，大家可以到阿里雲官網(https://www.aliyun.com/product/bigdata/airec )詳細瞭解,還可以參加阿里雲舉行的智能推薦公開課。
智能推薦經歷了一年多的發展才進行商業化，並且在商業化之後也持續地進行算法模板的迭代，通過淘寶以及其他業務線算法上的升級和業務上的策略升級，把相應的能力延伸到整個智能推薦產品中，其主要迭代過程如下圖所示。通過不斷的迭代升級，智能推薦和業務的聯繫越來越密切，為業務的發展注入了新的動力。
以下是智能推薦AIRec的重點服務和重點功能簡介。
（一）重點服務：猜你喜歡+相關推薦
AIRec的重點服務目前對外提供兩種個性化推薦的服務，一個是猜你喜歡，另外一個是相關推薦。下面兩個圖分別是智能推薦在電商行業和新聞行業提供的猜你喜歡和相關推薦兩個重點服務。在電商行業場景中，猜你喜歡主要應用於首頁以及商品TAB頁的商品瀑布流推薦，相關推薦主要應用於商品展示頁、詳情頁的推薦。下圖所示的種草社區可以基於AIRec內容行業搭建。
在如下圖所示的新聞行業中，上面兩種重點服務與電商行業的服務還是有所不同的。猜你喜歡主要應用於首頁以及頻道TAB頁的新聞瀑布流推薦，相關推薦主要應用於新聞展示頁、閱讀完畢後的推薦。其中，新聞的底層形式不限，文章、物品、視頻均可作為推薦內容。
（二）重點功能：實時交互推薦
在用戶使用我們提供的服務過程中，我們都希望用戶能夠長時間停留，而不是逛逛即走。這個過程其實是一個不斷學習和關懷用戶的過程，比如說某個用戶對軍事的內容比較感興趣，發生了一些點擊的行為，那麼在後續的推薦結果中，AIRec就會進行一定的反饋和變化；假說用戶一開始對軍事很感興趣，後面又對娛樂的新聞也比較感興趣，那麼娛樂的新聞也會在後續的推薦結果裡逐漸地呈現給用戶，整個推薦過程是一個實時反饋和交互的過程。實時交互是促進用戶沉浸式瀏覽的必備基礎功能，AIRec可以實時學習終端用戶當前興趣的表達和變化，並更新在下一次生成的推薦結果中，從而實現實時的交互式推薦功能。
（三）重點功能介紹：負反饋功能
很多應用和平臺都提供了負反饋的相關入口，可以讓用戶對被推薦的內容做一些交互和反饋，比如對某一篇推薦的內容不感興趣，不喜歡作者，又比如圖片使人感到不適等等，這樣的內容負反饋對於推薦系統來說是一個提升終端用戶個性化體驗的入口，可以增加對當前用戶的關懷度。
具體來說，就是如果用戶點擊了不喜歡、不感興趣等標籤，AIRec會在後續的推薦結果裡屏蔽相似的推薦，並且進行層層關聯與升級，打造內容分發的健康與持續，也可以根據負反饋的入口實現選品的升級、資質審核的升級，為大家提供推薦和業務上的抓手。
（四）重點功能介紹：新-新聞冷啟動個性化
在新聞行業，包括電商的行業、內容的行業，都會源源不斷的產生新的內容，尤其是在新聞這個場景下，它會對我們的新內容的時間分發效率要求比較高，也就是要做到新新聞的冷啟動，這個是每個新聞平臺最突出的推薦難題。而AIRec可以根據站內用戶行為分析、興趣分析，結合新新聞特徵屬性，小流量個性化探測新聞潛力，從而逐漸扶持或打壓新聞的推薦流量，比如下圖所示的例子。
（五）重點功能介紹：新聞便捷上下架
在智能推薦的實際應用過程中，其實也會面臨到一些應用上的問題，比如說我們要進行一個新聞的實時上下架，包括其狀態的修改，像電商中可能因為庫存的原因，某些商品不再可以售賣，在推薦的頁面上就不希望把這樣子的商品再展示出來，否則就會產生推薦資源的浪費。針對這個問題，AIRec內部已封裝新聞實時下架的解決方案，隨著平臺合作豐富、媒體引入等，新聞數量增長，AIRec同時封裝了上架新聞時級推薦生效的解決方案。
（六）重點功能介紹：新聞加權個性化
在搭建推薦場景的過程中，我們可能想要扶持某一個平臺，扶持某一個作者，或者說扶持某一個商家店鋪，優質的商品等。在扶持的過程中，我們可能是基於人工判斷，這樣子的輸入有可能是準確的，也有可能不夠準確，那麼推薦結果就不一定會很理想。如果我們通過一個新聞的加權，在某些後續的推薦結果裡優先展示給那些有過興趣表達的人群，既實現了扶持，也避免了因為強行推廣而造成的流量浪費，這也是AIRec中實現的一個相對來說在行業中比較主流的解決方案。
（七）重點功能介紹：多樣性策略配置
對於某些用戶來講，可能他的興趣相對來說比較窄，如果長期都是推薦相同的某些內容的話，會使用戶失去新鮮感。為了激發用戶閱讀興趣發散、增長瀏覽時長，保障推薦結果多樣性是常用功能。客戶可以基於AIRec提供的場景化運營策略，基於作者、類目、頻道等多樣性策略配置，比如下面兩圖，進行新聞展現形式的多樣性策略配置，既提升了用戶體驗，又提升了業務效果。
三、AIRec產品使用基礎流程
AIRec的基礎使用流程非常簡單，主要包括數據準備、創建實例、策略配置以及測試、發佈四個大步驟，具體如下：
（1）數據準備
作為一款大數據產品，其效果能夠做到多好，或者說天花板是什麼，取決於我們的輸入數據源，輸入數據質量越高，我們的結果就會越好。AIRec的輸入數據主要包括用戶數據、物料數據和行為數據。用戶數據指的是用戶的相關信息；物料數據指的是要給用戶推薦的內容數據，比如信息、圖片、商品等；行為數據指的是用戶和物料在發生某些交互的過程中，對用戶的興趣探測數據，比如點擊、點贊、轉發等。
（2）創建實例
在完成了數據準備之後，我們就可以進行實例的創建，創建過程中需要勾選行業類型，配置數據源，並且進行一個數據的對接和上報。
（3）策略配置
實例創建完成之後，我們就可以搭建推薦場景，並且進行一定的策略配置，使得推薦策略更加適合我們要應用的場景。
（4）測試、發佈
完成了策略配置之後，我們可以把搭建好的場景發佈，進行一個線上的測試來觀察流量，在逐漸擴大訪問推薦流量的過程中去改進和升級。
AIRec是一個新手友好型的產品，在數據準備完畢後，實現上述的基礎服務搭建只需要2個工程師花費3-5天的時間即可，歡迎大家進行嘗試。上文講到的主要是推薦產品的一個重點服務和重點功能，更多的詳情大家可以到官網瞭解，也可以加入下面的社群，進行交流和討論。
加入社群
點擊訂閱《阿里雲搜索與推薦技術交流期刊》
掃碼入群，瞭解更多資訊，獲取課程資料
