「大神分享」AI产品经理入门——AI产品职业精准推荐模型示例-资讯中心-芸美萃

本文介绍了几种精准推荐算法模型，并根据机器学习风格对算法进行了划分。

背景说明

全文分为第一部分和第二部分，标题为“AI产品经理从理解准确推荐模型到产品创新”。

本文以产品经理经常面临的精准推荐需求为例，讲解AI产品经理入门时需要了解的算法模型知识点，提出AI产品经理的入门标准，并识别人工智能公司的类型。

划分类别后，AI产品经理有针对性地补充自己的算法或数据知识是个好主意。

在机器学习和大数据快速变革的时代，从新运营到网红短视频运营，从SEM到精准推荐，精准推荐开启了产品运营的智创新、智运营新征程。

本文重点介绍产品经理必须了解的精准推荐算法模型，第一部分按照机器学习风格来划分算法，下一部分从精准推荐算法开始，按照功能相似度来划分。在阐述了现有产品精准推荐算法模型的特点和不足后，我们总结了一套AI-UTAUT模型，即融合AI技术的精准推荐模型，供读者作为具体产品的实际参考。产品。

也就是说，本文力图以精准推荐模型为例，通过综合性的写作，系统地介绍AI产品经理需要了解的算法和模型。

另外，在写作之前，作者首先解释了算法和模型之间的关系，这是产品经理经常想知道的概念。没有谁大谁小，算法和模型没有区别，是一条绝对的分界线。

首先，让我们看一下用于做出准确推荐的算法模型。每种模型算法都有其优缺点，作者根据现实例子创造性地总结了一系列AI-UTAUT模型。

1.精准推荐算法模型

精准推荐常用的模型包括交叉销售模型、相关推荐匹配模型、互联网信用模型、电商动态定价模型、信息聚合分类模型等。

在本文中，我们不使用高深的数学公式，而是尽量使用产品经理能够理解的直观语言，因为他们可以在实现产品具体业务的过程中，根据自己的需要选择性地学习公式。

1交叉销售模式

关联规则是用来发现两个产品之间潜在的相关性，然后进行捆绑推荐，关联规则可以通过Apriori等算法来实现，交叉销售涉及到研究客户的产品使用和消费行为的特征，以确保现有客户可以发现潜在的需求。我们寻找机会通过产品之间的联动实现产品捆绑销售，同时在现有用户中确定新产品的准确目标受众。

建立模型的具体步骤如下

对于个人用户，收集其订购行业并计算其订购比例。

提取订单率高的不同类型商家，计算不同商家之间的相关性，进行分组、过滤、排序。

交叉销售相关的、高度可替代的业务组合，包括捆绑销售的准确建议。

先验算法

Apriori算法用于从事务数据库中挖掘频繁子集，然后生成关联规则。它通常用于购物篮分析，分析数据库中最常见的交易。通常，如果客户购买了产品X，然后购买了产品Y，则关联规则为可以写Y。

例如，如果顾客购买牛奶和糖，他们很可能还会购买咖啡粉。这意味着-gt;它可以用咖啡渣等关联规则来编写。关联规则是在超过支持度和置信度阈值后创建的。

支持度有助于修改频繁项集中候选项集的数量。这些支持措施遵循先验原则。

先验原则是如果一组项目是频繁的，那么它的所有子集也是频繁的。

2相关推荐搭配型号

相关推荐匹配模型侧重于用户数据、媒体属性等基础属性，实现产品精准定位，有效实现精准广告投放。

构建该模型需要收集的用户数据包括性别、年龄、收入、学历等基础属性数据，移动上网时间、城市、位置、系统、语言环境等环境属性数据以及媒体属性数据。搜索媒体和搜索内容、兴趣兴趣、当前需求、品牌兴趣、产品兴趣、消费水平、消费心理等消费属性数据。

AI技术可以让你深度挖掘社交网络数据，利用计算机智能通过社交网络API获取用户认证数据，然后学习和分析用户数据，通过数据挖掘进行建模和推荐，实现完全的个性化，通过分析，有价值的产品像APPhero这样使用FACEBOOK数据，通过对社交网络数据的深度挖掘，使这个数据成为推荐的基准。

AppHero非常人性化，通过其算法模型收集用户在Facebook上所做的一切，包括页面上的评论和嵌套评论、用户共享的项目、个人资料数据、兴趣、位置等。

相关推荐模型描述如下

在关联推荐模型中，通过关联规则学习方法提取规则，可以完美地描述数据中变量之间的关系。能够在大立方体中发现这些规则是非常重要的。应用最广泛的关联规则学习算法是Apriori算法。上面介绍了Apriori算法。

3互联网信用模型

传统通用模型的缺点是环境因素难以确定、属性单一、卖家之间差异较大，而互联网信用模型建立在APRIORI算法之上，更加准确，可以预测信用趋势和数据转化。

ARRIORI算法挖掘关联，生成关联规则，得出信用度与好评率、行业、性别、非法交易数量、婚姻状况、地区、卖家等级、收入、逾期坏账数量有关。阿里巴巴方面表示，从笔者LineLian曾经服务过的淘宝网站交易模式来看，买家可以利用信用模式实现买卖双方的公平，电信行业也参考信用卡模式为用户提供信用监管。可以做到。对于移动客户，每月一次捐款约1000元，并开创了环电信高端客户欠费0.7元被拒之门外的先例。电信行业的管理基于信用卡模式，模仿信用卡模式，对与客户信用等级密切相关的话费实行特定的透支限额。为增加电信服务产品的价格差异化，征收透支消费费。

4电子商务动态定价模型

传统的动态定价方式主要以拍卖为主，难以收集客户信息，但基于AI技术中的机器学习算法的电商动态定价模型完全通过机内无监督学习来收集交易数据并设定价格。调整它。学习。

电商通用信用模式的主要缺点是卖家难以收集全面的客户和竞争对手信息，无法进行深度挖掘，无法根据客户特征进行差异化定价，难以对各种产品及时定价适当、适当的决策调整价格加成当需求随机且价格敏感时，动态定价成为实现利润最大化的有效方式。

机器学习算法简介

有两种方法可以对产品经理今天遇到的所有机器学习算法进行分类。

第一组算法是学习风格。

第二个算法分组基于形式或功能的相似性。一般来说，这两种方法都可以推广整个算法。

按学习风格分组的机器学习算法机器学习算法分为三种学习方法。

第一个称为监督学习。

基本上，在监督机器学习中，输入数据称为训练数据，并且具有已知的标签或结果，例如垃圾邮件/非垃圾邮件或股价格。在这里，模型是通过学习过程准备的。此外，还必须做出预测。当这些预测错误时，我们会纠正它们。训练过程持续进行，直到模型达到所需的水平。

示例题分类和回归。

示例算法逻辑回归和反向传播神经网络。

第二种称为无监督学习。

在无监督机器学习中，输入数据没有标记，并且没有已知的结果。必须通过推导输入数据中存在的结构来准备模型。这可能是关于提取一般规则，但可以通过数学过程减少冗余。

示例题聚类、降维和关联规则学习。

示例算法Apriori算法和k-means。

第三种称为半监督学习。

输入数据是标记和未标记示例的混合。您有一个自己选择的预测题，但模型需要学习一种结构来组织数据并进行预测。

示例题分类和回归。

示例算法对其他灵活方法的扩展。

其他基于功能相似度来划分算法的方式将在下一篇文章中进行讲解，本文我们按照学习风格对算法进行全面的分类，主要描述与精准推荐相关的算法模型。

电商动态定价模型示例算法模型支撑携程掌握大数据！大数据已经成熟。这意味着互联网制造商向现有用户展示的价格高于向新用户展示相同产品或服务的价格。大数据成熟的基础是大规模的用户数据。如上所述，企业通常会在后台捕获用户的消费历史，并通过用户行为确定用户的偏好和消费意图。如果公司发现你是价格敏感的用户，就会提高价格，减少折扣。

首先，通过基础属性数据确定用户群体和人口特征，通过行为数据确定偏好和消费意图。综合分析后，决定你是谁，你现在想做什么，以及你愿意付出多少来做这件事。最后，基于准确的用户画像，商家可以向消费能力高、消费意愿强的用户展示更高的价格，赚取更多的收入。

本文建议读者如何避免熟悉。

首先，你可以执行一些同伴搜索来故意迷惑人工智能。

其次，如有必要，请关闭应用程序数据权限。

第三，关闭定位权限。

四、关闭Wi-Fi自动连接等。

五、重新并使用新账户登录。为了留住新用户，往往会为新用户提供创收机会。

5信息聚合分类模型

近年来，信息杂志化是一种发展趋势，同时杂志阅读融入了社交网站，通过个性化的界面使信息获取变得更加便捷，但Flipboard等杂志阅读应用并没有很多个人社交网络功能。既然是软件，重点就应该是便捷和高效，但目前的模式只是简单的“交通”。

但杂志化并不意味着信息混乱。信息的收集和整理大大提高了你的阅读效率。大数据与flipboard模式的结合可以很好地解决这个题。通过从社交网站收集和整理数据，我们可以自动对每篇文章进行分类。将信息放置在最合适的分类区域显着提高了阅读效率，并且模型还可以定期自我训练和更新数据以生成新的分类建议。

大量的数据不仅可以通过人工智能技术建立模型用于公司/卖家的内部分析，也可以被其他公司/卖家通过合法交易利用。创造更多价值尼尔森总部位于纽约，从事电视广告工作已超过10年，为广告商和电视广播公司提供相关数据。

下图是一个通过AI技术提取内容特征，自动将每条信息分类到最合适的分类区域，然后将这个特征精准推荐给感兴趣的读者的例子。