随着信息技术和互联网行业的发展，各种数据以指数级增长，如何处理过载的信息成为了重要的问题。对于用户而言，关注的重点是在最短的时间内如何准确地找到自己需要的内容；对于商家而言，更加关注如何在恰当的时间把恰当的物品呈现给用户，从而促进核心指标的增长。而个性化推荐系统的本质是高效连接商品和用户，恰好可以很好地解决上面这些问题。
一、智能推荐简介
智能推荐（ Artificial Intelligence Recommendation， 简称AIRec）是阿里云上售卖的一个大数据产品，它源生于阿里巴巴在电商行业做个性化推荐的商业背景下。AIRec基于阿里巴巴领先的大数据和人工智能技术，根据用户的兴趣偏好，来解决用户需求和内容展示中间的关联问题，结合阿里巴巴在电商、内容、新闻、视频直播和社交等多个行业领域的积累，为全球企业及开发者提供云推荐服务。
（一）智能推荐价值解读
现在手机APP中大多数都开拓了智能推荐板块，大部分情况下，这种智能推荐是有效果的。比如，淘宝在首页推荐的过程中，大多数时候能够抓住用户兴趣点，从信息流首页的商品推荐中引流的成交率也非常高。 那么在这个过程中智能推荐能够给业务上带来什么样的价值提升呢？
从用户的层面来说，智能推荐的价值主要是留存抓手：通过个性化关怀、 培养用户习惯， 增长用户粘性。首先从用户获取这样的渠道来看，一个APP想要去引进一些用户，可能会在站外投放广告以及其他活动的手段，把用户引流到APP或者小程序或者是官网里来；获得了用户之后，我们最大的诉求当然是希望能够把这些用户转化为平台里忠实的用户、粘性的用户，在这个过程中我们可能会引进一些优质的内容、优质的店铺商家来增加用户粘性。但是，如何去把握住用户在APP里面的活跃度，让他在APP里面培养起来一定的习惯呢？智能推荐是可以来解决这个问题的，为什么呢？ 用户在使用某个APP的时候，我们想要获取用户的粘性，首先要知道用户来到这个APP中最需要或者说最想要得到的内容是什么，只有用户获取了所想要的知识也好，或者说价值工具也好，才能够在整个平台里面达到长期的粘性。智能推荐就可以实现最快的或者说最有效的信息分发的效果，能够保证每一个用户都能够在这里（APP中）找到最感兴趣的一些内容。 在帮助用户找到想要的内容之后，我们也可以在平台里发布新的内容，源源不断地去增加对用户的理解，增加对用户留存的抓手。
从整体业务的角度上来看，智能推荐起到帮助打造健康的“人-货-场”互联方式的价值。比如说在平台处于起步的状态，我们搭建了一个APP，这时候我们想要实现某个功能，用（人工）推荐是不难的。但是当我们的业务在发展到一定阶段的时候，不管是用户的量级上，还是说商品、内容的量级上，可能会达到了千级、万级、百万级甚至亿级，这时候我们很难再通过一些以往的手段，比如说基于人工运营，比如说基于热品的推荐、折扣等，去把这些想当庞大的商品库、商品库展示给用户。这个阶段我们就非常需要找到一个能够帮助业务朝着健康的方向发展的手段，也就是说需要一套个性化流量分发的手段来帮助实现“人-货-场”互联，来带动业务的增长，促进业务的稳定。
当然，智能推荐在不同的行业里面也会有不同的价值，上面仅仅是拿阿里巴巴电商业务来举例，其背后的价值远不止于此。
（二）淘宝个性化推荐的演进
最早，淘宝的个性化推荐主要用在了某年的一个双11会场，比如下图所示。从中大家可以看到，其个性化主要包括会场个性化、楼层个性化和首图个性化，其背后是根据用户画像的分析得到的三个层次的个性化展示，从而利用个性化推荐达到促进双十一销量的价值。
随后，个性化推荐慢慢的融入到整个淘宝APP中进行全面的推广，如下图所示，包括首焦点个性化、Banner个性化以及店铺个性化。
接着，淘宝的个性化推荐进行了广度和深度的扩展，比如双十一活动不再局限于当天，开始有了预售+造势，预热+正式等，在这个过程中智能推荐也会在不同的业务的维度上去进行不同的个性化场景搭建，比如下图所示的入口图个性化、多楼层入口图个性化等等。
再往后，淘宝的智能推荐也在持续地进行创新和提效升级，比如除了做一些商品推荐之外，还会有一些业务的属性，比如说对某些品牌或者优质商品的扶持。现在大家可以看到在淘宝里面还嵌入了一些物流信息流的推荐，这也是内容电商提高用户停留时长的一个手段和方法。我们可以发现，智能推荐跟业务的属性关联非常强的话，才能够保证在应用的过程中，能够随着产品在不同的阶段做出相应的业务上的调整，实现业务上的优化。
再往后，淘宝的智能推荐应用地更广泛，向着多元态发展，比如互动城个性化、智能UI、端智能以及内容互动个性化、云主题等等，这样的话不管是用户层次，还是从不同客户端看到的内容都可以做到个性化，实现真正的“千人千面”。
（三）自建推荐痛点
以往，大家可能会选择自建推荐的方法，但是在这个过程中，我们会遇到很多问题和挑战，包括搭建成本、推荐效果、后续运营以及产品改版方面的问题，具体如下图所示。下图这些问题的存在，可能使得自建推荐的方法费时费力，且不一定能达到我们想要的效果。
（四）智能推荐特点
针对上面提到的众多问题，智能推荐其实是一款相对来说门槛较低，又能解决问题的产品，其主要特点有：
- 埋点便捷：已经与盟友合作打造推荐定制版客户端SDK，可进行Android端、IOS端行为数据采集，仅需要选配数据源，即可自动同步行为数据。
- 开箱即用：将复杂的推荐算法模型，离线、在线存储与调度周期策略，运营干预策略封装，仅需完成数据对接，即可享用高质量的个性化推荐服务。
- 服务托管：提供丰富的数据质量诊断功能，在线服务监控告警，灵活升降配等服务，保障在线服务与推荐效果的稳定性。
二、智能推荐重点服务与功能
目前来说，智能推荐主要支持了下图中的电商型场景、新闻型场景、内容型场景和视频型场景4大场景，具体到每个场景中个性化的地方也有所不同，每个场景中关注的指标也不尽相同，具体如下图中所示。关于更多的智能推荐场景应用的详情，大家可以到阿里云官网(https://www.aliyun.com/product/bigdata/airec )详细了解,还可以参加阿里云举行的智能推荐公开课。
智能推荐经历了一年多的发展才进行商业化，并且在商业化之后也持续地进行算法模板的迭代，通过淘宝以及其他业务线算法上的升级和业务上的策略升级，把相应的能力延伸到整个智能推荐产品中，其主要迭代过程如下图所示。通过不断的迭代升级，智能推荐和业务的联系越来越密切，为业务的发展注入了新的动力。
以下是智能推荐AIRec的重点服务和重点功能简介。
（一）重点服务：猜你喜欢+相关推荐
AIRec的重点服务目前对外提供两种个性化推荐的服务，一个是猜你喜欢，另外一个是相关推荐。下面两个图分别是智能推荐在电商行业和新闻行业提供的猜你喜欢和相关推荐两个重点服务。在电商行业场景中，猜你喜欢主要应用于首页以及商品TAB页的商品瀑布流推荐，相关推荐主要应用于商品展示页、详情页的推荐。下图所示的种草社区可以基于AIRec内容行业搭建。
在如下图所示的新闻行业中，上面两种重点服务与电商行业的服务还是有所不同的。猜你喜欢主要应用于首页以及频道TAB页的新闻瀑布流推荐，相关推荐主要应用于新闻展示页、阅读完毕后的推荐。其中，新闻的底层形式不限，文章、物品、视频均可作为推荐内容。
（二）重点功能：实时交互推荐
在用户使用我们提供的服务过程中，我们都希望用户能够长时间停留，而不是逛逛即走。这个过程其实是一个不断学习和关怀用户的过程，比如说某个用户对军事的内容比较感兴趣，发生了一些点击的行为，那么在后续的推荐结果中，AIRec就会进行一定的反馈和变化；假说用户一开始对军事很感兴趣，后面又对娱乐的新闻也比较感兴趣，那么娱乐的新闻也会在后续的推荐结果里逐渐地呈现给用户，整个推荐过程是一个实时反馈和交互的过程。实时交互是促进用户沉浸式浏览的必备基础功能，AIRec可以实时学习终端用户当前兴趣的表达和变化，并更新在下一次生成的推荐结果中，从而实现实时的交互式推荐功能。
（三）重点功能介绍：负反馈功能
很多应用和平台都提供了负反馈的相关入口，可以让用户对被推荐的内容做一些交互和反馈，比如对某一篇推荐的内容不感兴趣，不喜欢作者，又比如图片使人感到不适等等，这样的内容负反馈对于推荐系统来说是一个提升终端用户个性化体验的入口，可以增加对当前用户的关怀度。
具体来说，就是如果用户点击了不喜欢、不感兴趣等标签，AIRec会在后续的推荐结果里屏蔽相似的推荐，并且进行层层关联与升级，打造内容分发的健康与持续，也可以根据负反馈的入口实现选品的升级、资质审核的升级，为大家提供推荐和业务上的抓手。
（四）重点功能介绍：新-新闻冷启动个性化
在新闻行业，包括电商的行业、内容的行业，都会源源不断的产生新的内容，尤其是在新闻这个场景下，它会对我们的新内容的时间分发效率要求比较高，也就是要做到新新闻的冷启动，这个是每个新闻平台最突出的推荐难题。而AIRec可以根据站内用户行为分析、兴趣分析，结合新新闻特征属性，小流量个性化探测新闻潜力，从而逐渐扶持或打压新闻的推荐流量，比如下图所示的例子。
（五）重点功能介绍：新闻便捷上下架
在智能推荐的实际应用过程中，其实也会面临到一些应用上的问题，比如说我们要进行一个新闻的实时上下架，包括其状态的修改，像电商中可能因为库存的原因，某些商品不再可以售卖，在推荐的页面上就不希望把这样子的商品再展示出来，否则就会产生推荐资源的浪费。针对这个问题，AIRec内部已封装新闻实时下架的解决方案，随着平台合作丰富、媒体引入等，新闻数量增长，AIRec同时封装了上架新闻时级推荐生效的解决方案。
（六）重点功能介绍：新闻加权个性化
在搭建推荐场景的过程中，我们可能想要扶持某一个平台，扶持某一个作者，或者说扶持某一个商家店铺，优质的商品等。在扶持的过程中，我们可能是基于人工判断，这样子的输入有可能是准确的，也有可能不够准确，那么推荐结果就不一定会很理想。如果我们通过一个新闻的加权，在某些后续的推荐结果里优先展示给那些有过兴趣表达的人群，既实现了扶持，也避免了因为强行推广而造成的流量浪费，这也是AIRec中实现的一个相对来说在行业中比较主流的解决方案。
（七）重点功能介绍：多样性策略配置
对于某些用户来讲，可能他的兴趣相对来说比较窄，如果长期都是推荐相同的某些内容的话，会使用户失去新鲜感。为了激发用户阅读兴趣发散、增长浏览时长，保障推荐结果多样性是常用功能。客户可以基于AIRec提供的场景化运营策略，基于作者、类目、频道等多样性策略配置，比如下面两图，进行新闻展现形式的多样性策略配置，既提升了用户体验，又提升了业务效果。
三、AIRec产品使用基础流程
AIRec的基础使用流程非常简单，主要包括数据准备、创建实例、策略配置以及测试、发布四个大步骤，具体如下：
（1）数据准备
作为一款大数据产品，其效果能够做到多好，或者说天花板是什么，取决于我们的输入数据源，输入数据质量越高，我们的结果就会越好。AIRec的输入数据主要包括用户数据、物料数据和行为数据。用户数据指的是用户的相关信息；物料数据指的是要给用户推荐的内容数据，比如信息、图片、商品等；行为数据指的是用户和物料在发生某些交互的过程中，对用户的兴趣探测数据，比如点击、点赞、转发等。
（2）创建实例
在完成了数据准备之后，我们就可以进行实例的创建，创建过程中需要勾选行业类型，配置数据源，并且进行一个数据的对接和上报。
（3）策略配置
实例创建完成之后，我们就可以搭建推荐场景，并且进行一定的策略配置，使得推荐策略更加适合我们要应用的场景。
（4）测试、发布
完成了策略配置之后，我们可以把搭建好的场景发布，进行一个线上的测试来观察流量，在逐渐扩大访问推荐流量的过程中去改进和升级。
AIRec是一个新手友好型的产品，在数据准备完毕后，实现上述的基础服务搭建只需要2个工程师花费3-5天的时间即可，欢迎大家进行尝试。上文讲到的主要是推荐产品的一个重点服务和重点功能，更多的详情大家可以到官网了解，也可以加入下面的社群，进行交流和讨论。
加入社群
点击订阅《阿里云搜索与推荐技术交流期刊》
扫码入群，了解更多资讯，获取课程资料