引言
在文章《微信读书冷启动书籍推荐初探：一个借助微信用户画像的方法
》1，我们发现用户的阅读偏好与用户属性（性别、年龄、n 线城市、公众号阅读偏好）相关。基于这个发现，我们利用用户属性，给冷启动的新注册用户做个性化推荐，效果较编辑推荐提升约 50%。
思路
假设具有相似用户属性的用户，有相似的阅读偏好。
我们可以把相同性别、相同年龄段、相同 n 线城市的微信读书用户划分成群体，统计每个群体的用户最喜欢的书；对新注册的用户，它的阅读偏好很可能与他所在群体的用户相似。因此根据这个先验知识，可以把他所在群体最喜欢的书籍推荐给他。
A/B 测试设计
微信读书搭建了书籍推荐 A/B 测试的基础设施，通过如下方法统计不同推荐策略的转化率：
- 在推荐书籍时，后台记录日志：『用户 推荐书籍 推荐策略 推荐位置标识符 时间』
- 在用户把书籍加入书架时，前端上报日志：『用户 推荐书籍 推荐位置标识符 时间』
- 统计时，给定推荐策略、推荐位置标识符、时间范围，可通过 Spark 脚本统计推荐/加书架转化率
本次实验把有属性的用户随机分成两组：
- 个性化推荐组（实验组）
- 编辑推荐组（对照组）
对个性化推荐组的用户，把用户所在群体热门书单推荐给他们。编辑推荐组，沿用以往的固定书单策略。二者在 App 界面的表现形式没有任何差异，只是书籍的不同。
推荐算法实现
- 把用户按属性（性别、年龄、n 线城市）划分成多个群体
- 对每个群体，统计群体用户最喜欢的书籍，按热度排序，做成推荐书单
- 对于每个新注册的用户，根据用户属性找出他所属的群体对应的推荐书单，以新手卡片的形式展示
效果评估
统计新手卡片前十本书推送/加书架转化率，得到表格：
| 日期 | 个性化推荐 | 编辑推荐 |
|---|---|---|
| 20161210 | 1.56% | 0.97% |
| 20161211 | 1.58% | 1.02% |
| 20161212 | 1.56% | 1.10% |
可以看到，个性化推荐的转化率，比编辑推荐提升了约 50%。
未来工作
-
可以探索使用其他用户属性，来划分用户群体，使推荐书籍更精准。
-
本次实验使用的热门的书的定义，是用户感兴趣的书（阅读了 10 分钟且超过了 30% 或者评分大于60分）。未来可以调整热门的定义，如用户评分最高的书，评论最多的书，或者加权综合，来提高转化率。
