之前的一篇文章《常見推薦策略及其在OTA上的應用》給出了常見的推薦系統的一些常見推薦策略，以及OTA公司如何利用這些策略來進行産品推薦。

而為了提高推薦的準确率，需要了解用戶，尤其是在OTA行業，獲取實時用戶意圖對個性化推薦起着非常重要的作用，在做産品分析和設計的時候應該按照黃金圈（WHY，HOW，WHAT）的順序來進行，但是為了讀者理解的方便，本文改變了一下順序，首先給出WHAT，然後從WHY和HOW二個方面分享一下構建OTA實時用戶意圖的思路。

WHAT（是什麼）？

不同公司的定義可能不一樣，這裡首先解釋一下什麼是實時用戶意圖。本文實時用戶意圖是基于旅遊行業，它的定義為：結合用戶短期内的用戶行為，通過個性化推薦算法預測得到的用戶實時旅遊偏好。下面給出兩個實時用戶意圖的例子：

示例1：一個用戶搜索了12月1日從上海到北京的機票，并且查看了多次航班，那麼該用戶的實時意圖包含：該用戶處于行程探索期，對北京有興趣，并且交通工具偏好坐飛機，艙位偏好經濟艙，預計出行時間是12月1日。同時通過浏覽交叉規則，可以預測用戶可以有酒店偏好，自由行偏好，門票玩樂等多種産品類型偏好，依據大數據的分析，可以得到用戶對不同産品類型的偏好程度會不一樣。

示例2：一個用戶訂了一張12月1日從上海到北京的機票，那麼該用戶的實時意圖包含：該用戶處于行程出發前，将要去北京，有去北京的機票訂單，艙位是經濟艙，出行時間是12月1日。同時通過訂單交叉規則，可以預測用戶可以有酒店偏好，門票玩樂等多種産品類型偏好，依據大數據的分析，可以得到用戶對不同産品類型的偏好程度會不一樣。

通過以上兩個例子可以了解實時用戶意圖裡面包含什麼内容，格式如下圖所示，在具體的個性化推薦應用中，在不同的欄位就可以知道進行怎樣的推薦了，可以參考《常見推薦策略及其在OTA上的應用》裡面的案例。

WHY（為什麼）？

了解了什麼是實時用戶意圖，從産品的目标和用戶的需求兩個方面分析一下為什麼要做實時用戶意圖。

産品的目标

引入個性化推薦的目标是為了提高OTA平台上的産品轉化率以及産品的連帶率，因為轉化率及連帶率的提升企業可以獲得更多的商業價值

用戶的需求

用戶的主要需求在于可以通過OTA平台快速，方便地找到自己想要的産品，主要體現在：購物路徑不用太長；有輔助決策内容來降低決策的費力度；有交叉推薦的内容等等

一言概之：用戶通過平台找到适合自己的産品來得到産品的使用價值，而平台通過用戶購買産品獲得傭金而得到産品的商業價值。

HOW（怎麼做）？

實時用戶意圖是怎麼做到可以滿足用戶需求的呢？它基于的假設是：用戶對自己感興趣的内容會多次浏覽或搜索，舉例來說，在OTA行業，如果一個用戶相去馬爾代夫度假，那麼他會查看馬爾代夫的攻略，機票，酒店或者度假産品等等，通過用戶的實時行為操作，我們可以預測用戶的目的地偏好是馬爾代夫。

實時用戶意圖是依賴于用戶的近實時用戶行為，生成實時用戶意圖的流程如下：

以上流程又可以分成幾大塊内容：

數據獲取

通過前端埋點獲取用戶的實時行為數據，這些埋點數據被送到流處理（如Storm或Spark等）進行埋點内容的解析，并且做實時數據清洗，輸出标準格式的用戶行為數據。數據來源主要包括：

• 用戶的搜索及搜索條件
• 用戶的浏覽産品及浏覽産品的特征
• 用戶的搜藏産品及搜藏産品的特征

算法模型

算法模型分成兩個部分：離線算法模型和實時算法模型。離線算法對時效性要求不高，所以算法模型一方面可以采用更多的數據内容，不管是從數據的廣度還是深度，另一方面算法模型的複雜度也可以很高，這樣可以輸出高質量的數據結構；實時算法模型因為時效性要求很高，所以在使用數據方面和算法模型方面都會比離線算法模型差很多。

離線算法模型以日為單位對全站的用戶行為進行叠代計算，得到浏覽交叉系數及訂單交叉系數（其實離線算法模型還提供了其它方面的内容，在後下一篇《OTA推薦系統之用戶體系》中介紹）。實時算法模型實時對用戶的每一次操作進行叠代算法計算，結合離線提供交叉系數，實時更新用戶意圖，以便提供給推薦系統使用（一般采用Redis存儲）。

實時用戶意圖是個性化推薦系統中的一個重要組成部分，本文通過WHAT，WHY，HOW三個方面讨論了實時用戶意圖，希望給大家以啟示。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!