关于产品推荐引擎你不得不知道的那些事儿

点击蓝字

关注我们

什么是产品推荐?

产品推荐是一种用于预测及显示用户会想要购买的商品的过滤系统。 它的准确率并不是最高的，但是如果它向你推荐了一个你喜欢的那它就起到它的作用了。

近年来推荐系统越来越火，并用于各种不同的领域，包括电影，音乐，新闻，书籍等等。 大多数都是用于电商平台，比如eBay，亚马逊，阿里巴巴等都有他们自己专门的推荐系统为客户们提供他们可能喜欢的产品。

在合理的设置下，它可以有效的提升利润，点击率，转化率等等。 它们还可以为用户提供更好的体验，好比说顾客满意度跟顾客回头率，这个对于电商是很重要的。

推荐系统让这些可以实现。 推荐系统基本上是一个利用算法和数据向某些用户推荐最相关的产品的过滤工具。 简单来说，它们就是一个自动化的柜台。 当你跟他询问一个商品的时候，他不仅帮你找到那个商品，他还会向你推荐其他相关的产品。 它们在交叉销售和追加销售方面的训练有素。

随着互联网上的信息跟用户量大大的增加，企业们根据自己的需求及喜好搜索，绘制和提供相关信息变得越来越重要。 对话机器人也是一样利用相同的原理，但是他们相对的比较聪明，他们从每个商品的使用或购买中学习。

让我们用一个例子来更加理解推荐系统。 如果没猜错的话，大部分的人们都有使用过亚马逊。 亚马逊35%的利润是来自于它自己的推荐系统，那他们的战略是什么呢?

亚马逊将推荐系统作为电子邮件广告和它自己大部分网頁中更具有针对性的营销工具。 亚马逊会根据你浏览过的内容推荐来自不同类别的产品，然后把你有可能會购买的产品放在你面前。 就像在产品页面下面的“频繁购买”一样，诱惑你直接买一套。 这个推荐系统唯一的目的就是提高平均订单价值，就像是基于购物车里面的商品或是用户正在查看的商品来交叉销售和追加销售。

亚马逊利用用户的浏览纪录让用户们常看的商品永远出现在他们的眼中，并且利用评分跟评论来选出推荐的和畅销的商品。 亚马逊希望你能够买一整套而不是单单一个产品，举个例子，当你买了一部手机的时候它会推荐你买一个保护壳或是膜，然后更进一步的利用推荐系统发电子邮件通知你目前流行的产品或是类别。

有哪几种推荐系统?

基本上分为以下三大类

·       协同过滤法

·       基于内容的过滤法

·       混和推荐系统

1

协同过滤:

这种过滤方式是基于收集和分析用户的行为、动态或喜好与其他用户的相似度来预测他们可能会喜欢的东西。 协同过滤的一个优势是它并不需要了解内容就可以推荐像电影之类复杂的东西，并不需要对产品有理解。 协同过滤假设之前被认同的东西以后还是会被认同以及之前喜欢的东西以后也会喜欢类似的。 比如， 路人A喜欢产品1,2,3，然后路人B喜欢产品2,3,4，他们两个有共同的喜好，所以路人A应该会喜欢产品4，而路人B应该会喜欢产品1。

这些是不同的协同过滤算法

·       用户-用户协同过滤算法: 我们会搜索相似的顾客并且推荐它们类似的产品。 这种算法非常的有效但是会需要跟每个顾客的信息匹配所以会需要大量的时间和资源导致这个算法很难大的平台上被应用。

·       商品-商品协同过滤算法:这个跟”用户-用户”的算法非常类似，但是是寻找类似的商品而不是顾客。 在我们得到商品间相似的关系后，我们可以非常容易的对顾客推荐他们购买过的类似产品。 这个算法跟”用户-用户”的算法相比只需要很少的资源。 对于新的用户，这个算法只需要一点的时间，因为我们不需要找到用户跟用户之间的关系，亚马逊也使用这种方法来推荐类似的产品并且提高销售。

·       其他较简单的算法: 还有一些其他的算法，像是购物篮分析，并没有比上面所说的算法好，所以这里就带过。

2

基于内容的过滤:

在基于内容的推荐系统里，关键词被用来描述商品然后建立用户档案来说明用户喜欢的类型。 换句话来说，算法会试着推荐跟用户过去喜欢的商品类似的商品。 基于内容的过滤的想法是，如果你喜欢一个商品，你也会喜欢另一个类似的商品，就像是推荐类似的电影或是歌曲一样。 这种方法就是基于信息搜索和过滤的研究。

基于内容的过滤的一个主要问题是，系统是否能够从用户的使用发法学习用户的偏好并将其应用到其他不同的内容类型中。 当系统推荐与用户已使用的相同类型的内容时，如果推荐其他服务的其他内容类型，推荐系统的價值会明显减少。 例如，基于浏览新闻推荐新闻文章是有用的，但是当基于新闻浏览而推荐来自不同服务的音乐、视频时，它不会更有用。

3

混和推荐系统:

近期的研究显示，把协同以及基于内容的推荐系统结合在一起可能会更有效果。 这种混和的方法可以分别进行基于内容跟协同的预测，然后将他们组合在一起来使用。 相对的，可以把基于内容的能力加入协同的方法中，也可以协同的能力加入基于内容的方法中，或是将两个统一到一个模型中。

有一些研究主要对比混合型的性能与独自的协同和基于内容的方法，并且证明了混合型方法可以提供比单个方法更准确的推荐。 这種方法可以用来克服推荐系统中的常见问题，如冷启动和数据不足问题。

Netflix就是使用混合推荐系统的一个很好的例子。他们的网站通过比较类似用户的观看和搜索习惯（协同过滤）以及提供与用户高度评价的电影（基于内容的过滤）类似性质的电影来提出建议。

总而言之，对于产品推荐引擎的类型有相当多技术性的解释。但是用户或买主们主要关心的是产品和推荐引擎建议的质量。 这种认知计算方法可以将推荐人的素质提高到一个新的水平。

往期精彩回顾

更多课程信息，尽在阅读原文