app**投放（如何精准app**投放）

根据数据显示，截止2021年第三季度，移动网民人均APP安装量达66个。

在使用这些APP时，你是不是也发现：根据你的听歌记录，音乐APP会主动推送你偏爱的歌曲；根据你的点餐记录，APP能精确推送你喜欢的美食选项……并且，看到的**似乎都是自己感兴趣的内容。

而这些都离不开APP个性化推荐和**精准投放，但这两者的原理是否相同？一起来了解一下。

APP的个性化推荐

APP的个性化推荐，比较常见的机制有以下三种：

• 协同过滤 (Collaborative Filtering, 简称 CF)
• 基于用户画像的推荐
• 基于标签的推荐

1、协同过滤推荐

协同过滤算法是基于用户行为数据设计的推荐算法，其中主要包括三类算法：「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」，这里主要给大家介绍一下「基于领域的方法」，分为User CF和Item CF两种。

①基于用户的协同过滤（User Collaborative Filtering）

User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品，步骤如下：

1. 找到和目标用户兴趣相似的用户**；
2. 找到这个**中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

②基于物品的协同过滤（Item Collaborative Filtering）

Item CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品，步骤如下：

1. 计算物品之间的相似度；
2. 根据物品的相似度和用户的历史行为给用户生成推荐列表。

2、基于用户画像的推荐

根据对用户的年龄、性别、收入水平、兴趣、行为等属性，对用户进行标签画像构建，根据用户画像属性进行相关数据推荐。

3、基于标签的推荐

通过让用户主动选择或兴趣行为，给用户进行标签关联，再通过标签匹配对应的物品。比如一个影音网站，在新用户注册的时候，让其选择感兴趣的影音类型，给用户绑定相关兴趣标签，再通过影音作品的类型标签进行匹配推荐。

**精准投放

而在**精准投放中，比较常用的机制有：

• 基于用户画像的相似人群扩展
• 基于标签维度的定向投放

比如**投放中大家比较常用的oC**智能出价功能、相似人群包功能，核心都是针对种子用户进行用户画像分析和构建，再通过用户模型匹配目标用户。

以相似人群包扩展（Lookalike）为例，是根据客户提供的或初期投放的种子用户，进行**度的标签分析、特征提取，构建目标用户画像后，再根据目标用户画像在用户池里进行潜在目标用户挖掘扩展，最终输出数据包进行定向投放。

相似人群包扩展（Lookalike）示意图

相似人群包扩展中的Lookalike的建模原理跟oC**是一致的，通过种子用户构建目标用户模型后，对****进行相似度打分和排序，最终输出相似扩展人群包。

针对种子数据来源的不同可输出不同层级的人群包，如通过行业产品的历史转化数据作为种子数据输出行业人群包，通过同产品的历史转化数据输出产品定制人群包。

而用户定向投放，则是基于用户**标签的精准投放。

用户标签可根据类型，分为性别、年龄、学历等相对固定不变的冷标签，兴趣偏好等温标签，网络、实时地理位置、搜索关键词等热标签，通过对用户标签的选择，实现**和目标用户的匹配。

总结

综上所述，APP个性化推荐系统和**的精准推荐系统，在推荐策略的本质上是比较一致的，只是基于APP推荐场景和**投放内容的不同，有不同的应用方式。

设计一个健全的推荐系统，算法和策略需要综合考虑多项因素，包括服务器、计算资源成本，人力成本，可持续性和可扩展性等。

高质量的推荐系统，无论是APP个性化内容推荐、物品推荐，还是**推荐，都会提升用户体验，因此，好的推荐系统能帮助跟用户建立长期稳定的关系，提高用户忠诚度，实现双赢。