心得篇:網(wǎng)站SEO優(yōu)化是怎么從100名外做到首頁(yè)排名的

發(fā)布時(shí)間：2016-10-13 文章來(lái)源：瀏覽次數(shù)：2332

不要認(rèn)為你可以上淘寶“偷偷”看一下情色物品，你在網(wǎng)站上做的一切都逃不外系統(tǒng)的眼睛。為了猜中你的心思，推薦算法需要盡可能多的采集你的數(shù)據(jù)，從而確定你真正喜歡什么。當(dāng)然，這仍是為了贏取你的信任，讓在線零售商賺更多的錢。
　　
(文/Joseph A. Konstan & John Riedl) 講完了推薦算法是如何“猜你喜歡”的，現(xiàn)在，你對(duì)于每回上網(wǎng)購(gòu)物時(shí)在線零售商是如何打量你，并努力把你的喜好和其他人的相匹配有了一個(gè)基本的概念。
推薦系統(tǒng)還有另外兩大特點(diǎn)，也對(duì)你終極看到的推薦結(jié)果有著明顯的影響：第一，在弄清晰你和其他購(gòu)物者的相似度有多高之前，推薦系統(tǒng)必需先弄明白你真正喜歡什么;第二，推薦系統(tǒng)依照一組貿(mào)易規(guī)則運(yùn)行，以確保推薦結(jié)果既讓你覺得有用，也使商家有利可圖。
推薦算法是如何贏得你的信任，又讓商家有錢可賺的?
采集你的上網(wǎng)數(shù)據(jù)
舉個(gè)例子，來(lái)看亞馬遜的藝術(shù)品商店，上次我們?nèi)タ吹臅r(shí)候那里有 900 多萬(wàn)冊(cè)印刷品和海報(bào)在降價(jià)促銷。亞馬遜的藝術(shù)品商店有這樣幾個(gè)方法來(lái)評(píng)估你的喜好。它會(huì)讓你在 1 到 5 顆星的等級(jí)上給某一件藝術(shù)作品打分，它也會(huì)記實(shí)下你把哪些畫點(diǎn)擊放大了來(lái)看、哪些畫你反反復(fù)復(fù)看了好多次，你把哪些放進(jìn)了心愿單，還有你終極實(shí)際下單買了什么。它還會(huì)追蹤在你瀏覽過(guò)的每一個(gè)頁(yè)面上都顯示了哪些畫作。在線零售商會(huì)使用你在其網(wǎng)站行進(jìn)的路徑(你瀏覽過(guò)的頁(yè)面和點(diǎn)擊商品的鏈接) 來(lái)向你推薦相聯(lián)系關(guān)系的商品。此外，它還把你的購(gòu)買記實(shí)和打分信息結(jié)合起來(lái)，建立一個(gè)你長(zhǎng)期購(gòu)買偏好的檔案。
像亞馬遜這樣的公司會(huì)收集大量此類有關(guān)客戶的數(shù)據(jù)。在你登錄期間，你在它網(wǎng)站上的幾乎每一個(gè)動(dòng)作都會(huì)被記下來(lái)，留作將來(lái)使用。多虧有了瀏覽器 cookie，連匿名購(gòu)物者的上網(wǎng)記實(shí)商家也能維持，終極這些數(shù)據(jù)將在匿名購(gòu)物者創(chuàng)建賬戶或者登陸時(shí)，鏈接到顧客的個(gè)人資料。這種爆炸式的數(shù)據(jù)采集并非為在線商家所獨(dú)占，沃爾瑪便以其對(duì)現(xiàn)金收據(jù)數(shù)據(jù)的深入挖掘而著稱于業(yè)界。但是，網(wǎng)上商店處在一個(gè)更有利的位置去查看和記實(shí)，不止是消費(fèi)者買了些什么，還包括你曾考慮過(guò)、瀏覽過(guò)和決定不買哪些商品。在全世界大部門地區(qū)，所有這類流動(dòng)都是任人監(jiān)督和記實(shí)的;只有在歐洲，數(shù)據(jù)隱私法在一定程度上限制了這種操縱。
當(dāng)然，不論法律如何，顧客發(fā)現(xiàn)自己的數(shù)據(jù)被人濫用后，都會(huì)產(chǎn)生強(qiáng)烈的抵觸情緒。早在 2000 年 9 月，亞馬遜吃過(guò)一次苦頭：有一部門顧客發(fā)現(xiàn)他們收到的報(bào)價(jià)更高，由于網(wǎng)站將他們識(shí)別為老顧客，而不是匿名進(jìn)入或是從某個(gè)比價(jià)網(wǎng)站轉(zhuǎn)接進(jìn)來(lái)的顧客。亞馬遜聲稱這只是一項(xiàng)隨機(jī)的價(jià)格測(cè)試，其呈現(xiàn)出來(lái)的結(jié)果與老顧客身份之間的聯(lián)系關(guān)系純屬偶合。話是這樣說(shuō)，它仍是叫停了這項(xiàng)操縱。
在貿(mào)易規(guī)則下運(yùn)行
加在推薦算法之上的種種貿(mào)易規(guī)則，旨在防止算法給出愚蠢的推薦，并匡助在線零售商在不失去你信任的條件下實(shí)現(xiàn)營(yíng)業(yè)額的最大化。最最少，推薦系統(tǒng)應(yīng)該避免人們說(shuō)的超市悖論(Supermarket Paradox)。例如，差未幾每個(gè)去超市的人都喜歡吃香蕉，也常常會(huì)買一些。那么，推薦系統(tǒng)該不該向每一位顧客都推薦香蕉呢?謎底是否定的——這樣做既幫不上顧客，也進(jìn)步不了香蕉的銷量。所以，智能的超市推薦系統(tǒng)始終會(huì)包括有一條規(guī)則，明確地將香蕉排除在推薦結(jié)果之外。
這個(gè)例子可能聽起來(lái)沒什么，但在我們?cè)缙诮?jīng)手的一個(gè)項(xiàng)目中，我們的推薦系統(tǒng)就曾經(jīng)向幾乎每一個(gè)到訪我們網(wǎng)站的人推薦披頭士的《白色專輯》(White Album)。從統(tǒng)計(jì)學(xué)的意義上講，這是個(gè)很棒的推薦：顧客此前都沒有從這個(gè)電子商務(wù)網(wǎng)點(diǎn)購(gòu)買過(guò)這張專輯，而大多數(shù)顧客對(duì)《白色專輯》的評(píng)價(jià)都很高。盡管如斯，這個(gè)推薦仍舊是無(wú)效的——任何一個(gè)對(duì)《白色專輯》感愛好的人都已經(jīng)有了一張了。
當(dāng)然，大部門的推薦規(guī)則都是更加微妙的。好比說(shuō)，當(dāng)約翰在 9 月份在 Netflix 索動(dòng)作影片時(shí)，結(jié)果中不會(huì)泛起《復(fù)仇者同盟》(The Avengers)，由于這部大片在當(dāng)時(shí)還沒有租借版，這樣的推薦結(jié)果不會(huì)讓 Netflix 有錢賺。因此，約翰被導(dǎo)向了《鋼鐵俠 2》(Iron Man 2)，這部片已經(jīng)可以用流媒體播放了。
其他的規(guī)則還包括禁止推薦為招徠顧客而虧本銷售的商品(loss leader);反過(guò)來(lái)，鼓勵(lì)推薦滯銷品。在經(jīng)營(yíng)Net Perceptions期間，我們就曾與一位客戶合作，他利用推薦系統(tǒng)來(lái)識(shí)別庫(kù)存積存商品的潛伏客戶，取得了相稱大的成功。
贏取你的信任
然而，這種事情很快就會(huì)變得棘手起來(lái)。一個(gè)只會(huì)傾銷高利潤(rùn)商品的推薦算法是不會(huì)贏得顧客的信任的。這就像是去餐館，那兒的服務(wù)生極力向你推薦某道魚一樣。這個(gè)魚真的是他覺得最好吃的嗎?仍是大廚催著底下的人趕在魚變質(zhì)前把它給賣出去?
為了建立信任感，更復(fù)雜的推薦算法會(huì)盡力保持一定的透明度，讓顧客對(duì)系統(tǒng)為什么會(huì)向自己推薦這件商品有一個(gè)大致的概念，并且在不喜歡收到的推薦結(jié)果時(shí)，可以更改他們的個(gè)人資料。好比說(shuō)，你可以刪除你在亞馬遜上買來(lái)送禮的購(gòu)物記實(shí);究竟，那些東西反映的不是你個(gè)人的喜好。你還可以知道系統(tǒng)為什么會(huì)向你推薦某些產(chǎn)品。當(dāng)亞馬遜為約翰挑選了 Jonathan Franzen 的小說(shuō)《自由》之后，約翰點(diǎn)擊標(biāo)簽上的鏈接“為什么推薦給我?”。隨即顯示出一份扼要的說(shuō)明，原來(lái)是他放在心愿單里的幾本書觸發(fā)了這一推薦。不外，因?yàn)樗€沒有讀過(guò)心愿單上的那幾本書，約翰就不去管《自由》這個(gè)推薦結(jié)果了。像這樣的解釋說(shuō)明會(huì)讓用戶明白推薦結(jié)果是否有用。
但是，完善個(gè)人資料和解釋推薦結(jié)果往往不足以保證系統(tǒng)不犯錯(cuò)。最近，亞馬遜用高清大屏幕電視機(jī)(HDTV)的促銷電子郵件對(duì)喬進(jìn)行了轟炸——每周 3 封，連續(xù)扔了一個(gè)月。除了給喬寄了過(guò)多的電子郵件，這家零售商還沒有意識(shí)到，喬已經(jīng)用他妻子的賬戶買了一臺(tái)電視機(jī)。此外，這些電子郵件并沒有提供一種很顯著的方法，讓喬可以說(shuō)“謝謝，但我不感愛好”。終極，喬取消了他在亞馬遜的一些郵件訂閱;他并不在意收不到各種信息，而且他有了更多的時(shí)間來(lái)真的看他的電視。
推薦算法的作用畢竟有多大?
　　alumni.berkeley.edu

那好，推薦算法畢竟起了多大作用呢?它們當(dāng)然一直都在增加在線銷售額;據(jù)阿倫森團(tuán)體(Aaronson Group)的分析師杰克?阿倫森(Jack Aaronson)估計(jì)，因?yàn)橥扑]算法帶動(dòng)銷售額的增長(zhǎng)，對(duì)推薦算法的投資能獲得 10%-30% 的收益。而且，它們還只是剛剛起步。現(xiàn)在，對(duì)我們這些研究推薦系統(tǒng)的人來(lái)說(shuō)，最大的挑戰(zhàn)在于弄清晰如何去判定新的方法和算法才最好。這可不像基準(zhǔn)化分析微處理器那么簡(jiǎn)樸，由于不同的推薦系統(tǒng)有著非常不同的目標(biāo)。
評(píng)價(jià)一個(gè)算法最簡(jiǎn)樸的方法，是看它的猜測(cè)和用戶的實(shí)際評(píng)價(jià)之間差異有多大。舉例來(lái)說(shuō)，如果約翰給青春浪漫小說(shuō)《暮光之城》(Twilight )一顆星，亞馬遜或許會(huì)留意到算法根據(jù)其他相似用戶的評(píng)價(jià)曾預(yù)計(jì)約翰會(huì)給兩顆星，也即泛起了一顆星的偏差。但是，賣家更加關(guān)心算法在用戶評(píng)價(jià)高的商品上出的錯(cuò)，由于好評(píng)多的物品是顧客更有可能購(gòu)買的;約翰反正也不會(huì)買《暮光之城》。所以，把這個(gè)評(píng)價(jià)計(jì)入考慮對(duì)理解推薦算法起了多大作用沒什么匡助。
另一個(gè)常見方法是看算法給出的推薦結(jié)果和顧客實(shí)際購(gòu)買的商品，之間匹配度有多高。不外，這種方法也可能起到誤導(dǎo)作用，由于這樣分析會(huì)將用戶自己想法找到的商品錯(cuò)誤地算在推薦算法的頭上，而用戶自己找得到東西恰正是最不應(yīng)該被推薦的!鑒于這些方法的缺點(diǎn)，研究職員一直在研究新的評(píng)判指標(biāo)，不只看精度，也會(huì)關(guān)注像發(fā)現(xiàn)意外驚喜和多樣性等其他屬性。
發(fā)現(xiàn)意外驚喜(Serendipity)會(huì)加權(quán)不平常的推薦結(jié)果，尤其是那些對(duì)某一個(gè)用戶極具價(jià)值，但對(duì)其他同類用戶而言沒什么用的推薦結(jié)果。調(diào)整為發(fā)現(xiàn)意外驚喜的算法會(huì)留意到《白色相簿》好像是一個(gè)對(duì)幾乎每個(gè)人來(lái)說(shuō)都不錯(cuò)的推薦，因此會(huì)改為尋找一個(gè)不太常見的選擇——也許是 Joan Armatrading 的《愛和情感》。這個(gè)不那么熱點(diǎn)的推薦結(jié)果不太可能擊中目標(biāo)，但一旦它趕上了，則將給用戶帶來(lái)一個(gè)大得多的驚喜。
看推薦結(jié)果的多樣性同樣也很能說(shuō)明題目。比方說(shuō)，一個(gè)超愛看 Dick Francis 神秘類小說(shuō)的用戶，在看到推薦表單里全都是 Dick Francis 的作品時(shí)，仍有可能會(huì)感到絕望。一個(gè)真正多樣化的推薦表單會(huì)包括不同作者和不同類型的書，還有片子、游戲和其他的產(chǎn)品。
推薦系統(tǒng)研究則需要突破各種各樣的阻礙，遠(yuǎn)不止是在現(xiàn)有的系統(tǒng)長(zhǎng)進(jìn)行微調(diào)。研究者們眼下正在考慮的是，推薦算法應(yīng)該在怎樣一個(gè)程度上匡助用戶發(fā)掘一個(gè)網(wǎng)站的內(nèi)容集合中他們未曾了解的部門。比方說(shuō)，把買書的人送去亞馬遜的服裝部分，而不是給一些安全的、顧客更有可能接受的推薦結(jié)果。在零售世界之外，推薦算法可以匡助人們接觸到新的想法主意;就算我們不同意其中的一些，但整體作用大概會(huì)是積極的，由于這將有助于減少社會(huì)的巴爾干化(Balkanization，即碎片化)。推薦算法能不能做到這一點(diǎn)，還要不讓人感到厭煩或者不信任，仍需拭目以待。
但有一點(diǎn)是明確的：推薦系統(tǒng)只會(huì)變得越來(lái)越好，收集越來(lái)越多關(guān)于你的數(shù)據(jù)，并在別的、意想不到的地方展示出來(lái)。假如你喜歡這篇文章，亞馬遜會(huì)很興奮愿意向你推薦其他所有你可能會(huì)喜歡的關(guān)于推薦系統(tǒng)的書。
Joseph A. Konstan 和 John Riedl 都是美國(guó)明尼蘇達(dá)大學(xué)的計(jì)算機(jī)科學(xué)教授。身為 IEEE 高級(jí)會(huì)員的 Konstan 和 IEEE 會(huì)士的 Riedl 介入創(chuàng)建了 MovieLens 推薦系統(tǒng)。“猜你喜歡”是怎么猜中你心思的? 是本文的前半部門。
編譯自:《IEEE科技縱覽》Deconstructing Recommender Systems

上一條：電子商務(wù)商城網(wǎng)站建設(shè)融合...

下一條：三大思路讓你網(wǎng)站優(yōu)化文章...