《商品推荐系统的类型与原理》由会员分享，可在线阅读，更多相关《商品推荐系统的类型与原理（19页珍藏版）》请在金锄头文库上搜索。
1、商品推荐系统的类型与原理电商系统中，它的推荐系统与实现逻辑是怎么样的呢？不同推荐方式背后的运行逻辑是什么呢？本文将为我们揭晓以上问题的答案。很多事物没有接触其背后真相的时候都觉得它十分神秘，生活中的魔 术就是这样的事物。而我们在没有接触推荐系统的时候，同样觉得它十分神秘、不可思议。 比如用户在搜索引擎上搜索一些商品的资料后，去淘宝或者京东时竟 然突然发现在推荐的地方出现了用户想要去搜索的商品。慢慢去了解推荐系统，并思考推荐系统的实现时，我发现它们背后基 本逻辑还是十分简单的。一、推荐系统是什么呢？ 今晚有英超的球赛，啤酒和球赛才是最配，怎么能没有啤酒呢，这时 你有几个选择？第一种选择：你可以去
2、你家楼下 7-11，然后你走进店铺转了一圈很快 找到了啤酒，然后你对比一下几个品牌和价格，然后拿起你喜欢的品 牌在前台进行付款。第二种选择：你看离球赛开始时间还有段时间，你可以去家附近的家 乐福顺带买点零食，你到了家乐福按照指示牌找到卖酒水的货架，然 后不断对比啤酒的品牌和价格，选定之后，你又按照指示牌找到卖零 食的货架，然后选择了几袋薯片，然后进行结算。第三种选择：你很懒，只想在沙发上面躺尸，这时你可以打开外卖 APP 在叫做搜索框的物件上面 搜索啤酒，然后你在商品里面挑选各 种啤酒，完了之后你根据和你距离的远近进行下单，等待送货上门。 以上描述了用户在不同场景选购啤酒的方式，也是面对商品过
3、载情况 下用户怎么对商品进行挑选的场景。在7-11店铺由于店铺不大，店铺成列的SKU大致上千种，用户很容 易凭借自己的浏览习惯找到啤酒这个商品。到了家乐福，如果你不是经常去逛超市很难通过浏览方式在数万的SKU种找到啤酒，但是用户可以通过商品类目来找到啤酒。 而进入电商类网站，里面的 SKU 都是千万级别的，用户只能通过搜 索来获取到啤酒。上述例子是针对目的明确的用户的。但是生活中很多用户是目的不明 确的，所以才有逛街这个词，逛街和逛超市可能就是因为无聊，为了 打发时间才有的行为。那超市如何使这些人消费呢？ 既然你不知道买什么，我就告诉你需要买什么？用各种促销、各种打 折、各种堆头推荐商品，同时
4、在你购买商品附近放和这个商品相关的 商品。再比如，以前听音乐是用Walkman，用的是卡带和CD，现在一个手机音乐就涵盖了很多音乐，但问题来了这么多音乐你要听哪些啊？如果身边有朋友你可以问你朋友，但是有时候朋友推荐的并不是你喜 欢的，而且你不可能时时刻刻都去问朋友吧？在信息泛化和过载的时代，你需要这样一款懂你的工具，比如你在想 听歌的时候，提供你喜欢的音乐，当你想去一个陌生地方的时候为规 划好路线，这个工具就叫推荐系统。推荐系统是信息过滤系统的一个子类，它根据用户的偏好和行为，来 向用户呈现他（或她）可能感兴趣的物品。推荐系统会尝试去预测你对 一个物品的喜好，以此向你推荐一个你很有可能会喜欢的
5、物品。推荐系统满足的需求就是在海量信息中帮你过滤你不感兴趣噪声，为 你精确锁定你希望得到的有价值的信息。为用户过滤噪声搜索引擎也 能提供，帮助用户精确锁定信息。而搜索引擎于推荐系统的区别在于，搜索引擎是用户主动获取，用户 有明确关键词来描述自己想要的。推荐系统不需要用户有明确需求，而会根据用户标签，历史行为为用 户主动推荐内容。小结一下，推荐系统是一套信息过滤系统，通过推荐算法将用户和物 品联系起来，它能够在信息过载的环境中帮助用户找到感兴趣的信 息，也能够推送信息给感兴趣的用户。二、商品推荐目的1. 想让用户买什么 正如上面过所说， 很多用户过来就是无聊打发时间，也不知道想要 买什么，就是上
6、来看看。这个场景主要表现在新平台的用户只是过来 看看上面的商品是否和自己的预期匹配，这个预期首先抛开产品功能 上体验，从商品角度来说包括商品的丰富程度，商品价格优惠程度； 老平台的用户过来只是为了打发时间，看看平台有没有推荐自己感兴 趣的商品。比如各种秒杀活动、团购活动、搜热、分类上热门搜索、 猜你喜欢等等。电商常用这些做法来表达自己平台的主张，平台想要 用户买什么。2. 用户可能想买什么给用户推荐用户真正感兴趣的商品，个性化进行推荐。用户使用的时 间越长，推荐的越精准。偏好的推荐本质上是一种排除系统，主要流 程包括收集-分析-匹配-推荐。为什么说用户使用时间越长推荐越精准，通过用户的使用，系
7、统在不 断收集用户的行为信息（浏览记录、搜索记录、购买记录、收藏记录、 评价记录及用户基本信息），再通过收集到用户行为记录分析用户购 买偏好，建立用户画像；匹配相同偏好的用户发现其偏好的商品，匹 配相似度高的商品；推荐通过算法将匹配相似度高的商品在前台进行 呈现。个性化推荐通过计算商品和用户特征，最终实现“千人千面” 的商品推荐方式。3. 更好的挖掘长尾商品80/20 法则无处不在，尤其是传统零售企业需要考虑商品的流转率， 都希望每个商品都被销售一空，因为如果滞销货架的成本会压死零售 商。但是互联网的出现在试图打破这个法则，这些长尾商品的总销售 额是个不可小觑的数字，甚至超过主流商品。主流商品
8、代表大多数用 户的需求，而长尾商品则代表小众用户个性化需求。通过推荐系统发 掘用户兴趣，发掘长尾商品创造更高的销售额。为什么今日头条，抖音都说有毒，不知不觉一刷就是好几个小时，背 后的始作俑者就是推荐算法，而这种推荐算法就是更懂你。今日头条 和抖音这类平台的崛起让人意识到推荐算法的强大，而最先运营推荐 算法的是在电商领域，如果说新闻类推荐不精准用户最多看其他新 闻，电商变现链条路径比较短，如果推荐算法不完善流失的可是真金 白银。三、推荐算法数据获取 个性化推荐算法不是凭空产生的需要基于用户的行为进行数据分析 设计的，用户行为在个性化统计中有两种方式显性和隐形。 显性反馈行为就是让用户明确表达对
9、物品的观点，比如对音乐的喜欢 和不喜欢，对电影的评分，对小视频的点赞等，这些都是设计人员特 意让用户表达自己的观点。与显性相对的就是隐性反馈方式，这种方式不需要用户特地的反馈自 己的偏好，而是通过用户行为模型进行采集和分析，比如用户对商品 的浏览行为。隐性反馈和显性反馈需要的数据量更好，存储方式分布 式存储，对算法模型要求更高。通过两种反馈方式后，我们可以得出用户给出的反馈结果，而结果分 为正向的结果和负向的结果，两个结果就不做详细解释，从字面意思 就可以看出来。需要说明的一下隐性反馈一般没有负反馈，隐性反馈 都是从日志数据中得到用户行为的结果。下面我们来对电商推荐系统做一下简单的介绍。四、常
10、规推荐法 这种方法和线下商超的手法如出一辙，比如 banner 广告、热销排行 榜、商家促销、秒杀、精品推荐等等，都是给予平台运营人员或者买 手主观进行推荐，并不会因为用户不同而产生差异，而推荐的条件取 决于运营人员经验、商家的赞助（花钱）、销售数据、评价数据、浏 览数据、收藏数据等这些因子的影响。目前电商纷纷转型内容电商和社交电商，通过 PGC 或者 UGC 生成内 容来吸引消费者的眼球，留住用户时间从达到促销的目的。 内容形式有长图文、视频推荐、直播推荐等多种形式，在内容中嵌入 商品购买入口，在浏览时可以直达商品，增加购买转化率。 而社交电商主要是分销形式，一说分销大家都懂，他那是冲着消费
11、去 的吗？ 常规推荐的问题也很明显，爆款数量毕竟是少数，运营人员推荐的商 品用户不一定会买账，这样用户流失率会比较高。这就催生出了第二 种推荐方式：个性化推荐法。五、个性化推荐法 个性化推荐通过采集用户信息，商品信息以及用户行为数据，通过分 析和整理后过滤掉的商品数据，利用推荐算法的规则和排序方式给用 户进行推荐商品的呈现，从而达到个性化的推荐。而用户对呈现结果 的反馈比如点击，浏览时间，收藏，购买，作为依据来不断优化推荐 系统。常见的个性推荐算法主要包括：基于内容个性推荐、利用用户行为的 协同过滤、基于人口建模的推荐。在现实情况下，推荐算法不会单一 的存在，而是多种推荐方式进行融合，实现个性
12、化推荐的目的 -用户 可能想买什么。1.基于内容的推荐(CB, Content-Based Recommendation)CB 基于内容相关性构建商品模型推荐，利用内容本身的特征进行推 荐。将商品相关的类目、品牌、商品属性、商品标题、商品标签等相 似内容推荐给用户。内容的推荐是非常基础的推荐方法,计算的是内 容本身的相关程度。比如用户在淘宝上浏览过男士衬衫,在淘宝的发现好货就会给你推荐 各种各样的男士衬衣、男士 T 恤、男士西装等,在通过你继续访问男 士七分袖衬衣,系统又获取到这个产品属性,会继续给你推荐七分袖 的亚麻衬衣、七分袖麻料衬衣、五分袖衬衣、男士七分袖 T 恤等等。这就相当于在商场身
13、边有个贴身的导购,你每试穿一次衣服又为你推 荐一系列相关的衣服一样。CB 的基本实现原理( 1 )提取商品特征这个可以根据商品的一些特征比如类目,属性,品牌,标题,标签, 商品组合,评分等因子进行提取。（2）计算用户喜欢的特征 根据用户以前的喜欢的和不喜欢的商品的特征进行计算，得出用户喜 欢的特征。用户的特征由相关关键字组成，可以通过TF-IDF模型计 算用户行为的关键字，从而得出用户的特征。（3）相关商品推荐给用户 根据用户喜欢的特征，去商品库进行选择，找出相关性最大的多个商 品进行推荐。因为提取出了商品的特征，通过计算得出了用户喜欢的 特征，可以通过余弦相似度计算出商品间的相识性给用户进行
14、推荐。 简单介绍一下余弦相似度，通过计算两个向量的夹角余弦值来评估他 们的相似度。如图所示，夹角越小，两个向量越类似；夹角越大，两 个向量越不同。（4）最后根据用户反馈的结果更新用户喜欢的特征 用户的喜好是不断变化的，今天可能我关注衬衣，明天我又想看手机， 所以系统需要根据用户喜欢的变化更新用户的特征。CB 算法的优点：（1）实现起来比较简单，不需要复杂的算法和计算，很快可以实现 商品的相关性。（2）推荐结果容易被用户感知，用户行为很快被计算出来，从而实 现推荐（3）结果可解释，很容易找到可解释的相关特征。4）新的商品也可以马上被推荐CB 算法的缺点：（1）无个性化，无法挖掘用户的潜在兴趣（2
15、）分析特征有限，很难充分提取商品相关性（3）无法为新用户产生推荐，在用户行为较少时推荐不精准。2. 基于协同过滤的推荐通过基于内容的推荐算法只能基本满足用户的推荐需求，但是要做到 平台千人千面还是要有一定的距离。所以我们需要通过算法自动发掘 用户行为数据，从用户的行为中推测出用户的兴趣，从而给用户推荐 满足他们兴趣的物品。而基于用户行为分析的推荐算法是个性化推荐系统的重要算法，从而 学术界一般将这类算法叫做“协同过滤算法”。协同过滤算法是指通 过用户行为分析，不断获取用户互动信息，是用户的推荐列表不断过 滤掉自己不感兴趣或者不匹配的商品，让结果不断提升用户的满意 度。简单来说，这种方法不单单只
16、是根据自己的喜爱，而且还引入了“邻 居”的喜好来进行推荐。这样推荐更加充分，而且可以深入挖掘用户 的潜在的兴趣。上面说过协同过滤是基于用户行为分析，就需要引入一下参数进行计算：用户标识商品/物品标识用户行为的种类（包括浏览，点赞，收藏，加入购物车，下单等）用户行为的上下文（包括时间、地点等）用户行为的权重（包括浏览时长，购买频次等）用户行为的内容（比如点评的分值，评论的文本内容等）基于协同推荐业界得到最广泛的算法是基于领域的方法，然而其又细分为了两块基于用户的协同过滤称为User-based CF和基于商品的协同过滤称为Item-based CF。下面我们别对这两者进行说明。（1）基于用户的协同过滤 User-based CF系统通过分析用户和其他用户的特征值，找出相近的
