接下来看下推荐系统在电商平台用户端都有哪些常见展现形式

随着人们日渐提升的生活水平，对于商品的要求也都趋向个性化。每位人对于商品的喜好都有着自己的习惯，而捉住习惯并养成也是电商平台推广宣传的有效手段，就这样推荐系统应运而生。

推荐顾名思义根据用户的喜好和行为推荐可以满足用户诉求和须要的商品以求达到用户订购的目的。广义上来讲所有主动推献给用户的商品信息都可以视作推荐的范畴，而这儿面具有商业变现能力的商品推荐又称作广告。广告的管理通常会由单独的广告系统负责，下文述说的推荐主要指除广告以外的商品推荐内容。

一、推荐的基础信息

推荐系统从根本上是为了解决营销选品决策的问题，所有就须要有一些指标来评判和评估疗效为后续的推荐策略参数调整和方法进行优化提过根据。常见的推荐系统的指标和搜索的比较类似包括确切率、召回率以及新颖度等。

我们接下来看下推荐系统在电商平台用户端都有什么常见诠释方式，如右图：

推荐的使用通常多置于售前环节通过浏览时的推荐提升用户的订购率，少部分页会置于订购完成后提示用户降低二次消费的机率。电商是全天候的售卖平台，但在实际消费的时侯用户会有不同的订购场景。不同的订购场景对于推荐的要求也是有差别的。

推荐系统要达到场景推荐差别化的情况就要按照不怜悯况的获取不同的数据进行剖析处理。推荐系统的底层数据源和搜索一样都是来自于各个业务系统的，推荐系统本身并不会形成业务数据。推荐系统主要是剖析人与物之间的关系，所以数据都是围绕这两个点进行延展。

人指的就是用户本身的信息。包括用户自身的基础信息例如用户名、联系方法、地址、收藏。还有消费信息例如订单信息、会员信息等。这种信息可以对于用户在系统中的实体进行初步的建立，便于推荐系统可以通过这种信息剖析出人的“特性“。

而物品也就是商品信息。商品数据主要是商品的基础信息、促销信息。初次之外对于埋点的数据也须要进行统计，结合上述内容一起剖析。埋点信息包括访问数据，点击数据等。

好多时侯一些新的用户和新上架商品并没有历史的数据可以溯源，这样就难以提取特点，也就是我们常说的“冷启动“。冷启动的问题也会影响到使用哪种推荐策略，由于不同的推荐策略可能对于数据量的要求也不一样。

某一些策略则依赖于大量的数据进行剖析，这个时侯没有处理冷启动的问题就难以积累数据。为了应对冷启动的问题人们也找到了一些技巧，根本思路就是通过变型或则转化来获取特殊的数据源来解决无数据的问题。

第一种方法提供相对稳定的数据筛选结果，最为常见的反例就是热卖排名榜。这些方法是假设所有用户属于一个整体的集合，在这个集合下最关注的商品就是热卖品。

考虑到人群的从众心理在新用户前期通过推荐热卖商品虽然是一种相对稳当的形式，实际证明新用户在冷启动阶段对于热卖品有更大的订购动力，而老用户则也会更多考虑长尾推荐。在数据搜集到一定程度后再将推荐数据转化为更为精细的个性化推荐内容。好多平台的发觉页面就是通过这种方法去处理初期数据不全的情况。

第二种则是借助用户前期注册时留下的信息进行判别。目前好多平台就会在初始阶段让用户填写一些个人信息和兴趣爱好，这些手段在音乐或阅读类平台用的会比较多。

通过用户填写的信息来初步建立特点进行商品推荐的匹配。不仅用户本身在平台填写的信息外，目前绝大多数还会使用第三方登陆，例如陌陌、支付宝等。通过第三方登陆在用户授权的情况下也可以导出部份用户行为数据辅助剖析用户特点。

但这些推荐因为信息的短缺会导致颗粒度很粗，致使可能很大一部份用户听到的商品是完全一样，但实际上她们本身的群体还是有一定区别的。

据悉也可以结合前面两种情况来获取信息。例如提供一些特定分类如热卖品的商品让用户进行选择喜好，按照用户的选择匹配相像的商品数据。这样对于冷启动时可以更好的提供相对精准的推荐数据。

不过这个方式对于前期提供选择的商品集合有一定的要求，不能过于的从单一的分类中获取商品，平台要提供更品类丰富的选项便于后续剖析时侯可以愈发确切。

前面提到的是新用户冷启动的数据获取方案，不仅用户的冷启动还有商品的冷启动。对于上新的商品我们缺少对于商品订购人群的数据特点，就须要通过冷启动获取关联数据如右图。获取数据的思路和用户基本类似，最基础的方法就是提供特殊标签如新款。通过标签提升权重已达到展示推荐的目的。

据悉因为商品的信息是由内部营运人员进行录入，所以我们可以通过人为的方法获取到更多商品的基础信息。推荐系统可以通过关键词或则标签Tag的方法获取商品的关键信息，估算新款与老品之间的相像度来进行推荐。

同时我们也可以通过获取第三方的数据来判定用户情况，如手机安装时获取已安装应用情况判定性别、年龄、爱好等信息。总结出来冷启动主要是通过三个方向获取数据：引导用户自填、运营人工分类、第三方获取。

二、推荐策略的“演变”

判定用户喜欢的商品进行推荐就是构建人、商品的关系。所有上述提及的元数据都须要依照推荐策略进行关联。推荐的策略发展至今早已由简单的机率剖析延展为现今比较流行的深度学习。我们谈到推荐的核心就是构建人与商品的关系，关系紧靠的则是觉得她们相关度更高，关系较远则认为相关度更低。

在人与商品的关系中还包含人与人、商品与商品的关系，由此建立出一个关系图谱。例如我们常说的用户画像就是设定人与人关系的基础数据。根据人和商品我们可以构建一个二维的座标。

按照座标远近来判定相关度因而形成推荐的商品信息。因为推荐系统比通常的电商业务系统对于算法的要求要高，所以这儿我们更多从产品维度来介绍下推荐策略和算法的一些情况。假如你们想深入了解一些算法可以自行研究。

前面说到推荐策略即是判定人、商品之间的各类关系，关系越近则觉得匹配度越高。那怎么去判定关系的远近呢？对于这个核心的问题推荐系统也仍然在进行发展变迁，人们随着技术的提高思路也变的越来越智能化。

在没有系统推荐的时侯，推荐系统更多是承载人工配置商品的过程。通过人工设定固定商品进行推荐，目前在一些不具备推荐算法能力的平台仍然会使用这种技巧。这样的形式尚且可以实现推荐商品，但效率和疗效却难以让人夸奖，于是就出现了基于内容的推荐策略。

基于内容推荐的思路是将所有的商品、内容、人等基础实体进行标签标记。系统通过标记不同的商品属性特点进行分类，当用户进行订购时系统通过订购的商品进行判别具备相同属性或则相像属性的商品集合，再通过消重、过滤等规则完成最终的推荐列表。

基于内容推荐实际上是来判定商品与商品的固定关系，我们以一个实例看下策略的处理方法。假设平台上有一个图书商品库（包括商品A、B、C三个商品），我们基于图书的相关信息为所有图书制订标签特点，包括但不限于图书名称关键词、图书作者、图书分类、图书定价、图书关键字等。通过标签整理我们看见三个商品的特征集为：

假如用户订购商品B，则订购完成之后可以推荐商品A给用户，由于商品A和商品B具备相同或相像的属性（包括书名关键词、作者、分类）。而商品C则和商品B相差较远所以不进行推荐。

这儿面的判定规则通常是通过加权的方法来判定多个属性最终是否和选购商品的特点相像和相同，其中加权以及消重等规则和搜索使用的方式类似。非常说明下推荐策略做加权同样须要考虑词频的诱因，通常使用的概念是TF-IDF（termfrequency–inversedocumentfrequency）。

TF为词频即关键词在当前文本中出现的次数，这儿包括所有特点属性。IDF为逆文本频度指数，指在所有文本属性中出现次数的倒数。估算方法是TFXIDF,这项指标表示我们觉得在当前文本中出现的高频词是高权重的，但假如该关键词在所有文档出现频度也高则觉得该词不具备特殊意义故而权重是很低的。

如上表中的经济词汇假如只在当前文本特点中出现次数较高，则是属于高权重。假如在所有语料文本中都出现好多次，则觉得他不应当是代表特定意义只是一个通用的词汇用户相关性是什么意思，权重应当减少。

基于内容过滤规则比较简单用户相关性是什么意思，早期搭建时可以快速实现推荐功能的手动化节约人力。但问题也是显著的，首先须要通过对所有的商品建立特点标签工作量巨大，同时因为推荐策略的颗粒度和建立特点的多少有直接关系，所以会导致颗粒渡过于粗糙推荐商品不确切的问题。假如平台本身不具备太多推荐算法的能力，可以通过人工配置加基于内容推荐的形式获取推荐的基本手动化能力。

基于固定的内容难以获取愈发精准的推荐商品，这么我们可以换个角度来看待这个问题。我们把从商品与商品的固定关系转弄成参考人和商品、商品和商品之间的变化关系来进行推荐策略的建立，也即是说基于用户的行为来判定商品的关系。

用户的行为具有复杂多变的特点，但不代表没有规律可循。常见基于用户行为的策略主要分为几种：关联规则和协同过滤。

关联规则是指通过搜集每位用户一段的订购数据，可以得出买过商品A的所有用户以及那些用户同时买了什么其他商品，之后将这种商品合并就得出了一个同时被订购商品列表的排序。基于商品列表进行消重、去除低关联商品等行为最终实现推荐商品列表输出。关联规则的核心策略就是诊断关联度进行处理，关联度有两个常用指标：支持度和置信度

估算公式关联度=support*confidence。下边我们举一个反例看下算法是怎样运行的。Alice订购了商品item1，这个时侯我们想估算item5是否应当推荐。依据公式我们来估算下支持度和置信度。支持度support=2/4，置信度confidence=2/2,须要说明的是估算时要抛开alice本人。这样我们可以得到support=0.5，confidence=1，所以item5对于item1的关联度就是0.5*1=0.5。

从前面的事例我们可以看见通过关联度可以推荐到订购时被人们最常用的组合是什么。对于一些品类单一的商品结构是特别适用的，策略的逻辑本身并不复杂对于技术要求也不会非常高。但从估算量上来看，须要对所有的商品进行遍历估算能够获取所有的指标。对于离线的数据挖掘成本来说有些过分的大了。

显而易见关联规则作为主要的算法是有些不符合的，那我们就须要找寻一个效率更高、成本更低的算法来作为主要的推荐算法，协同过滤就是目前主流的推荐算法。协同过滤主要原理是运用群体的协同智慧，志在通过一个群体的喜好判定来确定单体的特点和情况。这个群体既可以是用户群体，也可以是商品群体。

协同过滤有几个基本的假定：

协同过滤的处理主要包括两个部份：评测和群体搜索。我们来看下协同过滤的处理流程。如右图：

获取所有的用户数据信息，用户信息包括用户自行填写的内容、评价、消费记录等信息。对于新用户的情况可以通过上文提到的冷启动的方法获取数据。同时要对用户的数据进行一些基本的预处理。

主要的预处理为降噪和归一化。降噪主要是剔除一些异常数据，例如用户的误操作、未支付订单等。而归一化的目的是为了保证所有的用户信息在进行推荐估算的时侯不会遭到极值的影响出现过大误差。

例如订单的数目就远小于收藏的数目，须要将这样的信息通过处理变为一个相对合理的区间范围，通常会将归一化的数据分布变为[0,1]区间内。常用的归一化方式也有好多，例如对数归一、指数归一等。归一化的概念和地图的比列尺有些相像，目的是在保证相对关系的情况下将所有样本缩放到一定范围内便于进行估算。

数据处理完毕后推荐系统都会依据信息对用户或商品进行评估打分。这儿面主要是基于已知的用户或则商品集合的信息判定与当前用户或商品的相像度。推荐算法基于不同的相像度得到每位集合的分值，依照估算的分值判定与当前用户或商品的临近群体。通过将临近群体和当前商品或用户进行比对完成推荐结果的输出。

关于相像度的估算也是推荐算法的核心，相像度主要是指当前群体和已知群体之间的临近程度。关于临近算法也是随着技术逐渐发展上去的。这儿面我们以kNN算法为例看下临近算法的原理。

kNN（全称k-NearestNeighborK临近算法）意思是k个近来的邻居，指是每位样本都可以用它最接近的k个邻居来代表。策略的思路是通过指定一个数目范围K，判定最相像的K个商品内具备的共有特点，则觉得查询的商品或用户的本身也具有这个特点。简单的说就是觉得你跟你附近K个近来的群体具有相同特点。

由右图我们可以看见首先我们会将所有的样本数据与当前须要比对的样本进行距离测算，依据测算距离生成一个由近及远的列表。在所有样本比对完毕后将当前列表选定K个样本并判定当前样本中多数项的属性特点，将该属性特点赋于被比对的商品完成推荐结果输出。我们通过图来看下临近算法运行的原理。

当范围K选定的是C1值时，则觉得当前比对样本的特点应当是矩形，由于在范围内方形占多数项。而当我们把范围K的值调整为C2时，我们发觉比对样的特点变为了正圆形。所以kNN的临近算法会由于K的范围选定形成结果的巨大变化。如右图

而目前的主流协同过滤尽管还是使用估算相像度来进行推荐，但策略上已然发生了变化。按维度发包括基于用户维度和基于商品维度。基于用户维度（User-Based:Rowsimilarity）是指以用户为参照物判定和当前用户相像的用户群体的喜好，因而得到相像用户群体中包含且当前用户从未订购的商品进行推荐。

假如我们把用户和商品关系列一个矩阵，则按用户维度也可以看做是行相像性。下表可以看见用户A订购时，我们通过查询比对发觉用户A和用户C是相像群体，所以依据用户C的特点推荐商品D给用户A。

基于商品维度（Item-Based：Colunmsimilarity）也称作基于项目维度，一般指除人以外的实体。项目在电商平台则代表商品维度，而新闻、音乐类平台则代表其他的实体。与基于用户维度不同的地方，基于项目维度是以商品(下文将项目统一叫做商品)为参照物判定找到和当前物品偏好相像的物品，之后按照用户历史的拍好情况推荐相像品。

我们还用上述的这个关系矩阵来看基于商品维度的处理方法。订购商品A的用户和商品D的人群很相像，所以当用户订购A时，我们可以推荐商品D给用户。所以基于商品维度又称作列相像性。

两种维度的算法都各有优劣点，评判使用的标准主要是选定参照物叫少的维度。诸如电商平台相对于庞大的用户群体来说商品相对固定，商品之间的关系变化也较少，所以使用以商品为参照物可以大大降低估算的量级和复杂度。而新闻类则相反，用户相对内容更为稳定，则使用用户为参照处理上去更为方便。

同时基于商品维度的算法相对于基于用户维度的算法，结果集更为稳定，但丰富性相对较低。所以怎样抉择要依赖于平台对于推荐的实际业务要求。更多的时侯可以使用混和算法，即根据一定的配比从多种算法上获取商品进行去重、加权、排序。

通常来说在使用协同过滤算法时侯有几个方法：

这儿简单介绍几种算法的公式，具体的算法细节可以自行百度。产品层面知悉就可以了。

Cosine-basedSimilarity（Cosine相像度）：常用于估算文档数据相像度。

PearsonCorrelationSimilarity（皮尔逊相关度）：估算两个定距变量的相像度。

AdjustedCosineSimilarity(校准Cosine相像度)：修正了正弦相像度算法对于绝对数值不敏感的部份。

三、推荐系统构架

推荐系统根据处理流程的界定也有若干层。从疗效来看业务特点加特殊特点的精细度决定疗效的最终上限。结构如右图