這就是算法! 【推薦算法】比你還懂你!奶茶店如何拿捏你的口味

神奇的科普
12粉絲
14 次觀看·2025年11月7日
現在你是壹個奶茶店老闆
從網上下載了成百上千個奶茶配方
準備大賣側賣
面臨第壹個問題
就是該怎麼給顧客推薦最適合的奶茶
這就是我們今天要學習的推薦系統算法
新來的顧客摸不清顧客的喜好
那我們就預先調研調研
讓他先填個個人喜好的問卷
只需要在配方中直接比對
把符合全部要求的奶茶直接推薦給顧客等等
顧客會這麼配合嗎
太麻煩 我不寫 我跳過
可能這樣的顧客會更多壹些
那這時候我們從網紅爆款裏
挑選大眾最喜歡的前三名給顧客
大概率他也會喜歡
慢慢的新客成了老客
雖然壹直喝的是爆款
但每天都和壹樣了
誰都會膩
所以問題又來了
怎麼給老顧客推薦沒喝過的新品
我們發現首先可以使用基於內容的推薦算法
為了便於理解
我們先把奶茶抽象所打上標籤
這就是奶茶表示
之後我們可以根據張三購買奶茶的頻率
構建壹個從0到10的評分表
現在得到這張表
就代表了張三這位顧客的購買奶茶偏好
我們用新品的屬性
與張三喝過的奶茶屬性進行對比
通過這樣的方式
我們得到了新品奶茶和張三喝過的奶茶的全部相似度
把它們按照相似度從高到底排列
我們選取最相似的奶茶給張三進行推薦
這就是基於內容的推薦算法
也就是說基於內容的推薦算法
會不斷的給張三推薦他喝過最類似的奶茶
比如他之前只點過果汁
那明顯推薦算法也只會給他推薦果汁類別
不太會推薦和歷史訂單差別巨大的咖啡類產品等等
我們好像發現了基於內容推薦算法的弊端
侷限於用戶歷史行為無法挖掘出潛在喜好
翻開推薦算法密集
我們發現了另一種算法可以解決這個問題
那就是基於用戶的推薦算法
簡單來說
奶茶店裏不止張三一個顧客
還有李四王二等
根據他們的歷史訂單情況
發現李四喜歡ABCD
張三喜歡B和C連環奶茶
因為他們對BC的評分都很高
我們認為張三和李四屬於同一類用戶
那麼可以把張三沒喝過
但李四喜歡的A和B連環奶茶推薦給張三
如果顧客人數更多
我們該怎麼做呢
我們首先列出不同用戶對不同奶茶的喜歡程度評分
之後我們來用皮爾遜相似度
評估兩個用戶的相似程度
發現張三和李四麻子的相似度較高
可以綜合這兩位喝過的奶茶給張三進行推薦
具體的我們把李四和麻子的另外幾個奶茶喜歡程度評分列出
對不同奶茶評分進行相似度加權
按加權後的結果對奶茶進行排序
然後推薦給張三
這樣張三就獲得與他偏好相似用戶的奶茶
總結一下
通過找到張三類似的用戶
把其他顧客喜歡喝的奶茶推薦給張三
這就是基於用戶的推薦算法
從奶茶店員殷勤地上的新品式喝
到手機裏永遠刷不完的猜你喜歡
我們用奶茶的故事
講解了短視頻推薦的基本原理
一杯杯奶茶其實就是一條條短視頻
不同的味道就像不同類型的短視頻
相比推薦奶茶
短視頻算法更為復雜
不僅要計算用戶的點擊和觀看行為
同時為了防止同質化推薦
還會加入隨機的多樣化因素
在過去我們費力地尋找自己喜歡的內容
而現在我們正處在一個
算法主導信息分發機制的時代
推薦系統如同24小時待命的奶茶店員
能記住你每個細微的偏好
通過每天的更新和迭代
符合我們喜好的短視頻
被系統收集篩選排序
最後將最優質的內容送到我們面前
讓我們的生活變得更加高效
但偶爾的還是可以關掉個性化推薦
就像突然走進奶茶店說
今天不喝長電款
隨便給我做一杯
畢竟真正的清醒
只能對算法眨眨眼說
我知道你比我還懂我的喜好
但今晚請讓我自己選一杯
我是圖倫宇宙
講有溫度的故事
做有思考的科普
我們下期再見
