人工智能方面的最新進展使我們能夠設計出主動的AI系統 。我們都知道，傳統的推薦系統根據用戶請求生成推薦，幫助他們發現相關內容或產品，而主動系統應在每次有非常有趣的內容或產品變得可用或發生變化時通知用戶，以便他們可以閱讀、觀看或獲取。
主動系統可以顯著提升用戶的參與度。然而，他們的部署在過去是有問題的，因為很難提供任何智能啟發式方法來阻止用不相關的內容干擾用戶。這種行為很快就會導致大家忽略通知，並且經常對用戶的系統/產品的滿意度產生負面影響。
雲算法根據交互歷史記錄生成個性化推薦。反向推薦為您提供對特定項目感興趣的用戶列表，您可以通知他們各種相關信息
隨著產品數量和可用內容數量的增加，每次出現新內容時都無法通知每個用戶。您需要一個真正的智能個性化AI系統，這可以判斷哪些用戶應該被通知，因此他們很可能會積極響應。好的是，高級推薦人可以確定哪些項目與用戶相關，並且可以為他們提供涵蓋大部分目錄的豐富多彩的產品組合，正如您之前學到的。然而，傳統的推薦機構很少有能力推薦應該被通知的特定用戶，以及何時應該發送。
反向推薦可用於以下場景
在Recombee中，我們剛剛推出了支持主動式建議的新功能。儘管標準建議會返回任何用戶的相關項目列表，但使用我們的新API請求和算法，您可以為任何項目生成用戶列表。這種功能（我們稱之為“反向推薦”）非常適合主動推薦，因為您可以識別很有可能對給定項目感興趣的用戶。
反向建議可用於以下情況：
- 新內容可用時將推送通知給選定的用戶（可以是新電影、文章、工作機會、產品或任何其他項目）。在這種情況下，在徵求逆推薦意見之前，至少收集很少用戶與新項目的交互是有益的，否則只能應用基於內容的方法。
- “隱藏的寶石促銷”，首先確定高質量內容的受眾群體，這些內容通常會導致轉化或增加參與度（頂級文章包含訂閱優惠、上癮系列介紹節目）
- 識別可能對特別優惠感興趣的群組中的特定用戶（例如僅向最近加入的可能響應的用戶發送優惠）。
- 用於零售的電子郵件方案促銷商品，即將到期，應該售完或需要升級。
- 通過電子郵件發送“優質”優惠，例如工作、產品或其他優質或高利潤內容。
- 招聘人員找到合適人選的工具。推薦某個職位的求職者。
- 確定應提供的新項目，以增加某些用戶群體的參與度。
- 在收購之前識別潛在的內容受歡迎程度（在用戶可以使用之前查看哪些用戶對特定內容感興趣）。
- 在教育領域確定對某些特定內容或課程感興趣的學生。建議學生完成作業或項目。
- 推薦文章或項目的評論者。
- 具有類似興趣的玩家的遊戲內推薦。
- 推薦約會應用程序中的潛在合作伙伴。
- 社交網絡中的通知，例如具有相似興趣的朋友只喜歡某個項目。
當然，在許多其他情況下。反向推薦可以幫助您提高效率並顯著提高用戶的參與度。
何時發送積極的建議？
許多公司只是用靜態的每日電子郵件廣告系列來轟炸用戶。某些用戶組學習會忽略這些電子郵件或將其過濾掉，即使它們包含個性化的推薦，僅僅是因為他們每天都會收到它，而不管是否有足夠新的相關內容。我們鼓勵客戶使用對用戶行為和需求更為敏感的啟發式方法。這一策略有助於長期擴大用戶群。
時機對於主動推薦非常重要。你不想打擾用戶太多，所以你發送給用戶的通知/電子郵件需要非常有趣。
一些公司可能擁有足夠的行為數據，甚至可以檢測到用戶無聊的情緒，以便他們可以使用它來計算發送推薦的最佳時間。基於會話的推薦系統可以模擬用戶行為並預測下一次交互的最佳時間，但是這方面的研究還很不成熟。最近的論文承諾為數百萬用戶和項目擴展基於會話的推薦器，該推薦器由神經網絡支持。不幸的是，這些模型消耗了大量資源，並且仍然不具備商業可行性。
對於大量用戶，我們可以對行為模式進行建模，並預測何時是發送推薦的最佳時機，但是很大一部分用戶並不是很好的可以預測到（這取決於域名，零售業相對來說比較難，媒體、工作或教育可能更容易些）。
此外，我們的許多客戶在合理的用戶百分比方面沒有很長的互動歷史記錄，從而無法計算推薦應發送時的最佳時機。因此，我們建議您使用一些簡單的啟發式算法，直到基於會話的算法變得可用且價格適中。
好的啟發是，無論用戶什麼時候回應以及何時有足夠的相關新內容（在Recombee中，您都需要使用最小相關性參數），您可能都會選擇增加定期個性化推薦的頻率。另一方面，如果用戶沒有回應，則頻率或許會降低。
在發送積極主動的建議時，如上所述，將通過標準建議獲得的所有用戶的自適應定期推送通知與通過反向推薦獲得的偶爾通知結合起來是很好的做法。
反向推薦背後的算法
而在標準推薦方案中，我們向用戶推薦項目，在逆向場景中，建議用戶選擇項目。因此，對於一個特定的項目，我們可以獲得最有可能觀看/購買/消費的用戶的排名列表。為了計算這個排序列表，可以使用用戶和項目之間的歷史交互。此外，用戶和項目的屬性在冷啟動場景中尤其有益（當您需要用戶使用沒有交互的新項目時）。
用於反推薦的算法族與標準推薦的算法幾乎相同，包括協作過濾、矩陣分解中描述的所有方法。
最具挑戰性的部分是通過ReQL定製反向推薦，以幫助在各種情況下使用它們。看看下面的例子。
如何使用Recombee來製作
使用提供的SDK獲取反向推薦非常簡單。例如在Python中，它就像使用以下代碼發送RecommendUsersToItem請求一樣簡單：
users = client.send（RecommendUsersToItem（'item-458'，50））
它返回了50個最有可能對item-458感興趣的用戶的列表。
如果您為用戶上傳屬性，則可以使用它來根據這些屬性過濾或增強輸出，例如發送給最近7天內加入的用戶：
users = client.send（RecommendUsersToItem（'item-458'，50，filter =“'activation_date'> now（） - 7 * 24 * 60 * 60”））
或者增加屬於特定群組的用戶出現在推薦人群之間的概率
users = client.send（RecommendUsersToItem（'item-458'，50，booster =“if'group'== \”loyal \“then 2.0 else 1.0”））
總結
個性化的推送通知、電子郵件或通訊是很好的工具，可幫助您增加收入和用戶參與度。我們為您提供雲中的算法，使您可以將相關內容專門發送給可能被集成的用戶。可以在許多新場景中使用逆向推薦，以幫助您改進產品和服務。
閱讀更多 AI中國 的文章
