编辑导语：在营销进程中，我们可以按照用户的乐趣举办推荐算法的应用，从用户糊口中的各个方面举办相应的推荐，提高转化率和购置率；本文作者应用推荐算法模子详细应用在用户乐趣中，实现促活和转化，我们一起来看一下。

前面聊了那么多推荐类的算法，详细在数据产物中该如何应用呢？是不是这些推荐逻辑只能应用在推荐系统中呢？

我想未必的，用户乐趣在业务逻辑中险些可以渗透到事情的方方面面，简朴来讲：无论什么业务，但凡打仗客户，就给他最喜欢的对象，是不是一个更好的计策？

谜底大概是未必，可是在大部门规模还长短常有代价的，笔者在这一文章中跟各人分享一下两个常见的应用偏向：

1）勾当受接待水平、最尤物群/勾当推荐：

我们按照履历设计了一个闪闪发光的勾当，是否真的切合当下公司的客群？

近期公司想要回馈老客户，运营圈定了一批高代价客群，这些客户适合哪些范例的勾当可能喜欢哪些范例的优惠券？

公司新增加一个相助方，谈了一批新的优惠券，想要相识一下这些新的优惠券适合哪些客户？

2）针对有异常的人群，投其所好的向他推送他喜欢的优惠券：

近期公司的方针是促活和转化，面临筛选出的异常客户（譬喻：活泼不转化、睡眠户、待流失），该给他什么样的优惠券才气激活他？

上面这些问题该怎么办理呢？

千万人有千万思路，本文从算法角度，摸索一下算法的办理思路，这一算法模子即为：用户乐趣模子——也叫营销响应模子。

因此，在办理问题之前，我们先来看一下乐趣模子构建进程：

一、营销乐趣模子

在挖发掘户的乐趣时，我们警惕了推荐系统的常用模子——DeepFM；这一模子因为可以或许有效的深度融合高维和低维的特征，在点击率预测和推荐排序方面应用极为遍及。

我们细想这一模子，点击率预测和推荐排序问题，本质上都是按照用户对商品的交互行为，混适用户/商品的根基属性，计较用户喜欢某商品的概率值，进而揣度是否会点击。

这个模子构建进程中存在一个根基的假设：用户喜欢就或许率会点击；且不管这个假设是否必然创立，单看前半部门，模子预测出了用户是否喜欢某一商品，这一部门就足够我们应用了。

模子构建进程中，我们以勾当数据为切入点，获取了用户的根基属性、勾当的根基属性以及用户对勾当的行为交互数据；融合这三种数据，将其喂入到DeepFM模子中，计较获得用户对勾当的爱好水平——即乐趣度。

这中间存在一个很有意思的点，就是特征库简化了特征工程的难度。

正常逻辑下，算法工程师需要举办具体的特征筛选，摆列现有的特征，通过相关性或熵值等计较 *** ，判定哪些特征与方针值有相关性，进而筛选出强相关特征以及相关性权重。

这一进程往往耗损很长的时间，但特征库的呈现简化了这一事情，特征库的事情道理我会在后头的文章中详细描写。

在这里，我们简朴领略为将y值和x的要害履历值（有些设计会省略掉x要害值只输入y值，取决于特征库的设计完整度）放入到特征库中，特征库会返回给你与y值和x履历值强相关的其他特征以及对应的相关性权重，如下：

工程师只需要对这些特征举办简朴的缺失值、离散化等业务相关处理惩罚，就可以直接将其喂入到模子中了。

有没有感受很有意思？

科技的气力会逐渐替代掉人工，就像汽车替代马车、呆板替代庖力一样。

聊回正题，DeepFM模子我在推荐算法的系列中做了描写。

本文由于是探讨算法在产物设计中的应用，算法方面，简朴的贴出模子的样式，有乐趣的同学可以深入摸索：

整个运算进程即为：

颠末上面的探讨，我们获得了用户对某一勾当的乐趣度比较表：