本文將向您介紹，在終端用戶在刷新推薦結果的過程中，如果想要更加直觀地促進用戶感受到“隨著興趣的變化，推薦結果進一步關懷用戶興趣”即“實時反饋”，應當如何配置算法策略、配合相關產品功能從而達到此效果。
當用戶在瀏覽“推薦”頁面的過程中，將發生多種行為，如曝光、點擊、加購等。
當用戶觸發行為后，需要通過服務端SDK接口/通過友盟APP版SDK上報的形式同步到智能推薦系統。
傳統的I2I（ItemCF）算法，能夠依據行為學習出item之間的相似度，產出item之間相似度分數。這種方法可能會發現一些認知程度無法理解的高分（如典型的啤酒和尿不濕關聯）。
本著可解釋性強+實時反饋層體驗優化的初衷與實踐演練，這里我們選用最能體現商品/內容屬性的特征即類目屬性，做進一步的收斂。
如，上圖被加購的商品：【張云雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝，
屬于“化妝品_彩妝套裝”（僅用做參考，請按照業務實際情況做類目特征抽象），
需要將此信息填報到item表的category_level（2）、category_path（化妝品_彩妝套裝）字段。
相比傳統的I2I，智能推薦提供了3種優化后的I2I算法策略，分別是“子類目收斂優化”、“父類目收斂優化”以及“基準基于物品協同過濾”。
這里我們需要使用到“子類目收斂優化”、“父類目收斂優化”。
示例1：父類目收斂優化
如，【張云雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發用戶多條行為之后，我們希望推薦出更多與“化妝品_彩妝套裝”中“化妝品”更加相關的商品，則可啟用“父類目收斂優化”算子并將優先級調高。
如圖：
示例2：子類目收斂優化
如，【張云雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發用戶多條行為之后，我們希望推薦出更多與“化妝品_彩妝套裝”中“彩妝套裝”更加相關的商品，則可啟用“子類目收斂優化”算子并將優先級調高。
如圖：
示例3：父、子類目收斂優化組合
如，【張云雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發用戶多條行為之后，我們希望推薦出更多與“化妝品_彩妝套裝”中“化妝品”以及“彩妝套裝”更加相關的商品，同時啟用并指定二者的優先級。
如圖：
如三中所述，示例1、示例2、示例3都可以達到實時反饋加強的用戶體驗，業務更加適合哪種形態，可以通過做實驗的方法，直接對比線上的業務效果，最終做出決策。
使用流程大致如下，具體如何使用實驗平臺可參考：
1、啟動實驗；
2、創建實驗：實驗1-父類目收斂優化優先級高、實驗2-子類目收斂優化優先級高，實驗3、4等等；
3、分配流量：保證其他實驗配置保持一致，分配等份流量桶；
4、觀察效果：持續觀察至少1周的業務效果報表，得出結論；
5、實驗決策：假設經觀察，二者同時啟用，子類目優先級高效果更好，則對該實驗配置進行推全。
當用戶完成一屏瀏覽，重新請求推薦結果時（注意這中間需要重新訪問一次智能推薦的recommend接口），那么第二屏、第三屏的推薦結果將發生傾斜。
大致的體感如下：
1、化妝品出現；
2、彩妝套裝出現；
如果希望同時結合用戶反饋的“不喜歡”行為，定制推薦結果實時反饋，請參考“”。
本站文章均來自網絡，如有侵權請投稿至郵箱：dxsen@qq.com
