数据和算法驱动的本地生活推荐

1. 数据和算法驱动的
本地生活推荐
大众点评网 · 李新

2. 内容提要
• 本地生活推荐的广泛应用场景
• 推荐的原料：数据 －聚沙成金
• 推荐的内核：挖掘
• 推荐的引擎：算法
• 推荐的地基：架构
• 推荐的立场：公正、分享、多赢

3. 点评的起源就是推荐
• Web2.0推荐：
• 我为人人，人人为我
• 上传商户信息、商品图片
• 描述性和结构化评价
• 大众推荐：个人点评的有机聚合
• 星级
• 商户简介
• 推荐菜
• 代表性点评
• 个性化推荐：个性化消费 starting for future

4. 本地生活的推荐场景
• 旅游到外地
• 喜好相近的人在当地的选择：避险
• 白领午餐
• 基于签到和朋友兴趣等：极速决策
• 附近有啥好吃的
• 附近推荐菜：决策，尝新
• 10个团购邮件，9个与我无关
• 基于过往购买、签到、浏览等：精准推广

5. 附近推荐菜

6. 附近推荐菜

7. 点评的推荐特点
• 与电商比：
• 地域性：区域热点未必是全国热点
• 非标准化：服务可比性差
• 品牌：商户品牌重于商品品牌
• 质量：被推荐的商户也是用户上传
• 推荐理由：基于web 2.0，还要概括总结群众智慧
• 与广告比：
• Impulse & Intent：即时冲动 意愿预测
• 长期兴趣未必是此时此地的消费决策结果
• 与团购网站比：
• 数据来源：主站、手机APP、团购网，多样
• 推荐形式：团购网、邮件、手机APP、主站，多样
• 推荐内容：自然结果、团购、优惠券 ，多元

8. 推荐的原料：数据 －聚沙成金
• 类型：
• 消费过程: 查找、决策、签到、消费、支付、评价、分享
• 用户页面行为: 浏览、搜索、收藏、标签、照片、签到、点评、社交图
• 消费对象：商户、服务、商品信息
• 采集：GA？ 性能，准确性
• 存储：海量，安全
• 即刻：当次访问的处理
• 清洗：去爬虫，去重，反作弊，去广告，去小号等
• 抽取：结构化信息
• 串连：跨时间 跨平台

9. 推荐的内核：挖掘
• 用户画像
• 用户分群
• 商户画像
• 商户/产品的分类和聚类
• 点评的情感分析
• 上传图片的分类、聚类、识别
• 理由：综合性 准确性 代表性

10. 推荐的引擎：算法
• 特征表达：
• 计数或类别
• 非常稀疏而且正反馈不足
• 颗粒度的掌握vs 概念漂移
• 建模：
• 基于内容
• 协同过滤：基于用户 vs 基于内容项
• 行为定向
• 基于传导
• 增量学习
• 评估：
• 线下评估
• 线上A/B测试

11. 推荐的地基：架构
• 海量数据的采集、存储、处理、分析
• 端到端的A/B框架
• 多优化目标
• 多算法支持
• 算法并行化
• 增量建模
• 实时性与互动
• 当次访问的处理
• 邮件系统的模板数

12. 推荐的立场：公正 · 平衡 · 多赢
广告
推荐
诚信 搜索
坚持用户利益至上的多方博弈

13. Q & A
联系方式：
xin.li@dianping.com
新浪微博： 谷民李新