主动系统可以显著提升用户的参与度。
然而，他们的支配在过去是有问题的，由于很难供应任何智能启示式方法来阻挡用不干系的内容滋扰用户。
这种行为很快就会导致大家忽略关照，并且常常对用户的系统/产品的满意度产生负面影响。

云算法根据交互历史记录天生个性化推举。
反向推举为您供应对特定项目感兴趣的用户列表，您可以关照他们各种干系信息

随着产品数量和可用内容数量的增加，每次涌现新内容时都无法关照每个用户。
您须要一个真正的智能个性化AI系统，这可以判断哪些用户该当被关照，因此他们很可能会积极相应。
好的是，高等推举人可以确定哪些项目与用户干系，并且可以为他们供应涵盖大部分目录的丰富多彩的产品组合，正如您之前学到的。
然而，传统的推举机构很少有能力推举该当被关照的特定用户，以及何时该当发送。

反向推举可用于以了局景

在Recombee中，我们刚刚推出了支持主动式建议的新功能。
只管标准建议会返回任何用户的干系项目列表，但利用我们的新API要乞降算法，您可以为任何项目天生用户列表。
这种功能（我们称之为“反向推举”）非常适宜主动推举，由于您可以识别很有可能对给定项目感兴趣的用户。

反向建议可用于以下情形：

新内容可用时将推送关照给选定的用户（可以是新电影、文章、事情机会、产品或任何其他项目）。
在这种情形下，在搜聚逆推举见地之前，至少网络很少用户与新项目的交互是有益的，否则只能运用基于内容的方法。
“隐蔽的宝石匆匆销”，首先确定高质量内容的受众群体，这些内容常日会导致转化或增加参与度（顶级文章包含订阅优惠、上瘾系列先容节目）识别可能对特殊优惠感兴趣的群组中的特定用户（例如仅向最近加入的可能相应的用户发送优惠）。
用于零售的电子邮件方案匆匆销商品，即将到期，该当售完或须要升级。
通过电子邮件发送“优质”优惠，例如事情、产品或其他优质或高利润内容。
招聘职员找到得当人选的工具。
推举某个职位的求职者。
确定应供应的新项目，以增加某些用户群体的参与度。
在收购之前识别潜在的内容受欢迎程度（在用户可以利用之前查看哪些用户对特定内容感兴趣）。
在教诲领域确定对某些特定内容或课程感兴趣的学生。
建议学生完胜利课或项目。
推举文章或项目的评论者。
具有类似兴趣的玩家的游戏内推举。
推举约会运用程序中的潜在互助伙伴。
社交网络中的关照，例如具有相似兴趣的朋友只喜好某个项目。

当然，在许多其他情形下。
反向推举可以帮助您提高效率并显著提高用户的参与度。

何时发送积极的建议？

许多公司只是用静态的逐日电子邮件广告系列来轰炸用户。
某些用户组学习会忽略这些电子邮件或将其过滤掉，纵然它们包含个性化的推举，仅仅是由于他们每天都会收到它，而不管是否有足够新的干系内容。
我们鼓励客户利用对用户行为和需求更为敏感的启示式方法。
这一策略有助于长期扩大用户群。

机遇对付主动推举非常主要。
你不想打扰用户太多，以是你发送给用户的关照/电子邮件须要非常有趣。

一些公司可能拥有足够的行为数据，乃至可以检测到用户无聊的感情，以便他们可以利用它来打算发送推举的最佳韶光。
基于会话的推举系统可以仿照用户行为并预测下一次交互的最佳韶光，但是这方面的研究还很不成熟。
最近的论文承诺为数百万用户和项目扩展基于会话的推举器，该推举器由神经网络支持。
不幸的是，这些模型花费了大量资源，并且仍旧不具备商业可行性。

对付大量用户，我们可以对行为模式进行建模，并预测何时是发送推举的最佳机遇，但是很大一部分用户并不是很好的可以预测到（这取决于域名，零售业相对来说比较难，媒体、事情或教诲可能更随意马虎些）。

此外，我们的许多客户在合理的用户百分比方面没有很长的互动历史记录，从而无法计算推举应发送时的最佳机遇。
因此，我们建议您利用一些大略的启示式算法，直到基于会话的算法变得可用且价格适中。

好的启示是，无论用户什么时候回应以及何时有足够的干系新内容（在Recombee中，您都须要利用最小干系性参数），您可能都会选择增加定期个性化推举的频率。
另一方面，如果用户没有回应，则频率或许会降落。

在发送积极主动的建议时，如上所述，将通过标准建议得到的所有用户的自适应定期推送关照与通过反向推举得到的偶尔关照结合起来是很好的做法。

反向推举背后的算法

而在标准推举方案中，我们向用户推举项目，在逆向场景中，建议用户选择项目。
因此，对付一个特定的项目，我们可以得到最有可能不雅观看/购买/消费的用户的排名列表。
为了打算这个排序列表，可以利用用户和项目之间的历史交互。
此外，用户和项目的属性在冷启动场景中尤其有益（当您须要用户利用没有交互的新项目时）。

用于反推举的算法族与标准推举的算法险些相同，包括协作过滤、矩阵分解中描述的所有方法。

最具寻衅性的部分是通过ReQL定制反向推举，以帮助在各种情形下利用它们。
看看下面的例子。

如何利用Recombee来制作

利用供应的SDK获取反向推举非常大略。
例如在Python中，它就像利用以下代码发送RecommendUsersToItem要求一样大略：

users = client.send（RecommendUsersToItem（'item-458'，50））

它返回了50个最有可能对item-458感兴趣的用户的列表。

如果您为用户上传属性，则可以利用它来根据这些属性过滤或增强输出，例如发送给最近7天内加入的用户：

users = client.send（RecommendUsersToItem（'item-458'，50，filter =“'activation_date'> now（） - 7 24 60 60”））

或者增加属于特定群组的用户涌如今推举人群之间的概率

users = client.send（RecommendUsersToItem（'item-458'，50，booster =“if'group'== \”loyal \“then 2.0 else 1.0”））

总结

个性化的推送关照、电子邮件或通讯是很好的工具，可帮助您增加收入和用户参与度。
我们为您供应云中的算法，使您可以将干系内容专门发送给可能被集成的用户。
可以在许多新场景中利用逆向推举，以帮助您改进产品和做事。