数据和算法驱动的本地生活推荐

大众点评网 · 李新

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

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

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

附近推荐菜

附近推荐菜

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

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

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

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

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

推荐的立场：公正 · 平衡 · 多赢

广告

诚信

推荐

搜索

坚持用户利益至上的多方博弈

Q & A

联系方式：xin.li@dianping.com

新浪微博： 谷民李新