导语：我认为很少有人意识到，推荐系统是世界上构想过的最大的计算系统之一。——Jensen Huang
在信息过载的时代背景下，智能推荐系统已广泛应用于电子商务、社交媒体、新闻资讯、视频音乐、旅游出行等领域，为用户提供更加精准和高效的信息获取途径。
一、引言
智能推荐，简而言之，是一种利用机器学习和数据挖掘技术，对推荐的内容或物品进行分析和描述，根据用户的浏览历史、点击记录、购买行为、搜索关键词等历史数据和行为模式来构建用户画像，进而自动向用户推荐个性化、相关度高的产品、服务或内容的人工智能技术。
对于新闻媒体行业来说，智能推荐系统可以实时跟踪新闻动态，根据用户的兴趣变化及时、精准地更新推荐内容，有助于提高新闻的覆盖率和传播效果，增强用户对新闻平台的满意度和留存率，带来更多的策略优化、商业变现机会。
二、媒体行业案例
随着 OTT 等新兴模式崛起，IPTV 的传统市场地位受到严重冲击，面临资源整合、内容服务创新、用户娱乐方式转变等难题。
1.案例背景
某品牌 IPTV 在业务稳步发展、用户体量逐渐增加之际，发现传统单一的人工运营模式难以满足日益扩大的差异化需求，在全媒体生产、多终端传播、海量内容开发、媒体数字化迭代及运营能力精细化等方面，均提出了更为严格的要求，亟需借助推荐算法进一步提高内容推送的精准度和时效性。
2.战略合作
为了构建更加先进的融合传播技术支撑体系，某品牌 IPTV 与百度智能云一念达成战略合作，依托云智一体媒体核心技术，建立以智能推荐系统为核心的智能推荐体系。
百度智能云一念·智能推荐平台，是基于百度大模型能力打造的搜推一体化智能推荐平台，为企业级客户提供个性化推送，用于图文资讯、商品购买、视频推荐等多种业务场景，帮助企业提高用户经营能力，提升用户活跃度、留存率和产品付费转化。智能推荐平台于 2022 年上线服务了金融、媒体、汽车等行业多个头部客户，并受中国信息通信研究院邀请，核心参编《智能推荐平台技术要求和测试方法》。
关键技术：
协同过滤：基于用户行为或兴趣相似性的推荐原理。
内容基推荐：依据物品内容特征与用户偏好的匹配度进行推荐。
混合推荐：结合多种推荐策略，提升推荐效果。
深度学习在推荐中的应用：介绍深度学习如何增强推荐系统的个性化与精准度。
3.合作效果
某 IPTV 和百度智能云一念的智能推荐引擎合作，把 AI 应用于媒体业务全流程，通过智能媒资管理、智能内容生产和智能媒体经营三个方面的支持，满足媒体智能化在不同场景下的需求。动态自学习算法能力全面升级了智能推荐的能力和效果，将大屏智能推荐和运营指标深度融合，推动了人工运营转向智能自动化运营，不仅解放了人力资源，还精细化了运营能力和各项运营指标。
数据显示，本次合作让媒体工作者摆脱大量的重复性工作，建立起了媒体和用户之间的信任感，激发了编辑人员的创作热情和精细程度。此外，促使某品牌 IPTV 的曝光点击率环比提升 50%以上、付费订阅提升 20%以上，搭建了数据驱动、人机协同、跨界融合、共创分享的生产范式。
三、实操步骤分享
1.数据准备
Step 1 物料数据 schema 规范
Step 2 行为数据 schema 规范
Step 3 用户数据 schema 规范（非必传）
2.创建应用
在应用管理页，单击顶部【创建应用】按钮，进入创建应用页面，依次填写应用各项参数，选择图文推荐。
点击【创建】按钮，进入创建应用提示页面，进入应用配置页面。
3.接入数据
进入应用配置页面，在数据接入选项卡下，点击数据 API 卡片右上角的【启用服务】按钮，一键开启 3 个数据接入服务。
点击【刷新状态】按钮，直到三个服务的状态都显示为“服务中”时，即可根据生成的请求地址接入数据。
（1）了解使用 SDK 方式接入数据的流程
第1步：下载代码模版，下载并解压代码模板（python 文件），请仔细阅读 readme.md 文件。
第2步：下载并替换鉴权信息，点击下载鉴权信息，并参考代码模板中 readme.md 文件进行修改。
第3步：接入数据，返回'success':true 即表明接入成功，刷新数据状态，接入必传数据即可。
（2）分别接入三类数据
Step 1 接入 csv 中的物料数据
注意：本案例脚本代码与 sdk 提供的存在差异仅供参考，需要根据实际业务使用 sdk 中的代码或者开发代码。
"""
从csv中发送物料数据给cms
"""
import os
import time
import requests
import json
import pandas as pd
def post_m(dic):
ctx = json.dumps(dic, ensure_ascii=False)
ctx = ctx.encode("utf-8")
rex = requests.post(url, ctx, headers=headers)
return rex
url = "http://airec.baidu.com/airec/api/1-s6r5gitg/omni/cms/batch-sync"
ak = "f5695cc1c9544ccd9088b29b417d395b"
headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}
cmsdata = pd.read_csv('/Users/wangxuecong01/Desktop/1产品管理/1智能推荐引擎/演示数据/CMSdemo.csv')
for idx, data in cmsdata.iterrows():
demo_cms= [{
"nid": str(data['nid']),
"site_name":data['site_name'],
"title":data['title'],
"content":data['content'],
"mthid":str(data['mthid']),
"publish_time":data['publish_time'],
"att":[data['att']],
"status":data['status'],
"ts":data['ts']
}]
begin = time.time()
rex = post_m(demo_cms)
end = time.time()
print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))
Step 2 接入 csv 中的用户数据
"""
发送用户数据给ums
"""
import os
import time
import requests
import json
import pandas as pd
def post_m(dic):
ctx = json.dumps(dic, ensure_ascii=False)
ctx = ctx.encode("utf-8")
rex = requests.post(url, ctx, headers=headers)
return rex
url = "http://airec.baidu.com/airec/api/1-fd8wpxd0/omni/ums/batch-sync"
ak = "f5695cc1c9544ccd9088b29b417d395b"
headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}
umsdata = pd.read_csv('/Users/文件路径/演示数据/UMSdemo.csv')
for idx, data in umsdata.iterrows():
demo_ums = [{
"uid":str(data['uid'])
}]
begin = time.time()
rex = post_m(demo_ums)
end = time.time()
print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))
Step 3 接入 csv 中的用户数据
"""
发送用户数据给ums
"""
import os
import time
import requests
import json
import pandas as pd
def post_m(dic):
ctx = json.dumps(dic, ensure_ascii=False)
ctx = ctx.encode("utf-8")
rex = requests.post(url, ctx, headers=headers)
return rex
url = "http://airec.baidu.com/airec/api/1-fd8wpxd0/omni/ims/batch-sync"
ak = "f5695cc1c9544ccd9088b29b417d395b"
headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}
imsdata = pd.read_csv('/文件路径演示数据/IMSdemo.csv')
for idx, data in imsdata.iterrows():
demo_ims = [{
"nid":str(data['nid']),
"uid":str(data['uid']),
"event":data['event'],
"ts":data['ts']
}]
begin = time.time()
rex = post_m(demo_ims)
end = time.time()
print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text)
（3）验证是否成功接入数据
在配置应用页面基础信息卡片查看数据接入条数是否符合预期。
4.服务调用
Step 1 启用服务
进入智能推荐引擎配置页面，在服务调用选项卡下点击推荐 API 卡片【启用】按钮，开启需要调用的服务。
点击【刷新状态】按钮，直到服务的状态都显示为“服务中”时，即可根据生成的请求地址调用接口。
Step 2 了解调用流程
第1步：下载代码模版，下载并解压代码模板（python 文件），请仔细阅读 readme.md 文件。
第2步：下载并替换鉴权信息，点击下载鉴权信息，并参考代码模板中 readme.md 文件进行修改。
第3步：调用服务，获取返回的推荐结果。
第4步：验证结果，正确返回值类似, status 值应为 200。
Step 3 开始调用接口
调用个性化接口
"""
个性化推荐接口
"""
import os
import time
import requests
import json
def post_m(dic):
rex = requests.get(url, dic, headers=headers)
return rex
url = "http://10.137.16.168:8081/airec/api/3-zo179t-l/rec/p_rec"
ak = "f5695cc1c9544ccd9088b29b417d395b"
headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}
body = {
"uid": "uid_1",
"req_cnt": 20
}
begin = time.time()
rex = post_m(body)
end = time.time()
print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))
5.模拟体验
在应用列表页面选择相应的应用点击【配置】按钮进入配置页面，切换到服务调用页面，点击【模拟体验 demo】按钮。
（1）体验个性化 PC 端推荐
点击【刷新】按钮可以浏览推荐内容，点击【阅读（曝光）】、【点击】、【评论】、【收藏】、【转发】按钮可以模拟用户的点击行为。
每次点击都会生成一条行为数据，可用于给当前用户推荐。
查看用户兴趣点变化趋势：点击模拟用户的兴趣点可以查看该兴趣点（标签）在每天的变化趋势。
查看推荐内容分布和用户兴趣分布是否吻合，或者查询模拟行为记录。
（2）体验手机端个性化推荐
pc demo 页面点击【二维码】图标弹出二维码页面，选择模拟用户，手机微信或者其他应用扫一扫打开 H5 页面。
下拉刷新可以浏览推荐更多的内容，可以点击【阅读（曝光）】、【点击】、【评论】、【收藏】、【转发】按钮模拟用户的点击行为，每次点击都会生成一条行为数据用于给当前用户推荐，暂不支持取消行为。
同样，可以上滑查看历史推荐内容。
四、总结
智能搜推引擎针对金融、互联网、传媒等行业私域流量分发场景，提供内容资讯、商品和媒资物料的个性化搜索推荐服务，可显著提高客户端用户活跃度、留存及收益。
想进一步了解推荐引擎的使用等问题，可以填写表单https://www.wjx.cn/vm/Otj85QV.aspx#，领取更多专属福利。
