编辑导语：“电商本性化推荐”，想必在 *** 、天猫和京东等电商巨头的熏陶下，每个电商用户或多或少的都对这个名词有所听闻。但作为当下商品流和信息流规模一项必不行少的技能，个中的门道都有哪些？一个电商平台是如何猜你喜欢什么的？但愿这篇文章可以或许给你带来收获。

一、方针

在我们开始讲电商推荐之前。我们先来明晰整一个推荐系统在电商平台中的方针是什么。毋庸置疑的，推荐系统对付电商平台的焦点代价必然是：转化率的提高，销售额的提高。

那在明晰了推荐系统对付电商平台的代价之后，我们同时也来看一看一个好的推荐系统对付用户所带来的代价是什么：

显而易见的就是让用户在更短的时间内找到他最喜欢的商品，出格是在当下一个信息和商品都无比富厚的时代配景之下，我们需要通过推荐系统去辅佐我们的用户快速的去找到他所感乐趣的可能说是他想购置的商品，为用户节减时间，缩短路径。

在明晰的整一个推荐系统对付电商平台以及用户的代价之后，我们来看一下整一个推荐系统，它是如何去实现的。

一个完整的推荐系统，它包括三大焦点环节：召回、排序、调解。

召回：通过召回，来找出要出此刻用户眼前的商品；

排序：通过排序，来抉择商品呈此刻用户眼前的顺序；

调解：通过调解，来对系统的排序功效做一些调解，以提供更好的体验给用户。

那下面我们先从召回开始讲起。

二、召回

召回需要办理的焦点问题就是：找出要给消费者推荐哪些商品。

而关于如何找出应该给消费者推荐的商品，是有一个大偏向的，那就是——找出消费者更喜爱的、更有大概购置的商品。因为只有这样，消费者才越发的愿意去欣赏这个商品，越发愿意为这个商品买单。

而要到达这样一个目标的召回，一般我们在电商行业内里有五种要领，也就是：

基于商品属性的召回

基于物品的协同过滤

基于用户的协同过滤

基于商品热度的召回

基于法则的召回

我们先来看基于商品属性的召回：

1. 基于商品属性的召回

基于商品属性的推荐，它本质的一个思想长短常朴素的，也就是：给用户推荐他正在欣赏的这个商品的相似商品给他以增加用户的购置概率，富厚用户的选择。

我们的用户来到电商平台，正在欣赏某一个商品的时候（如商品详情页面），他是有较量明晰的一个目标性的（因为当一个消费者来到了商品的详情页的时候。

他一般经验过了较量长的一个购置路径，譬喻说他大概是搜索某一个要害词进来的，也大概说是他看了某一个推荐的文章，可能说是某个商品列表之后，对这个商品有必然的乐趣，然后点击进来的。

也就意味着说我们的消费者点击进来这个商品的详情页面的时候，是支付了必然的本钱的，因此我们就可以较量或许率的认为我们的消费者对将一个商品是有必然的目标性的）。

那基于这样的一个前提下，我们的消费者在欣赏一个特定商品的时候，我们需要给他推荐的是与该商品相似的一些商品，这样用户的购置概率会更大。

关于如何去实现的话，我们可以构建这样一个矩阵：

行向量是我们的物品，纵向量是商品的属性，矩阵的值就是每一个商品在详细属性上的值。然后我们只需要计较特定商品和其他商品之间的相似度即可，找出相似度评分的TopK个商品返回即可完成召回。

有了这样一个矩阵之后，我们两两去计较行向量之间的余弦相似度（虽然也可以用此外要领，至于什么是余弦相似度请自行百度），即可获得商品的相似度评分。

2. 基于物品的协同过滤

基于物品的协同过滤,这个算法，它并倒霉用商品属性来计较商品相似度，这个算法操作的是用户的行为记录来计较物品之间的相似度。该算法认为物品a和物品b具有很大的相似度，是因为喜欢物品a的用户多半也喜欢物品b。

关于如何去实现的话，我们也是先构建一个矩阵，行向量是我们的商品，列向量是我们的用户。矩阵中的值就是每一个用户对每一个商品的消费功效，可能是欣赏次数，又可能是欣赏时长。

有了这样一个矩阵之后，我们再两两计较行向量之间的相似度即可获得每个商品之间的相似度（一般回收余弦相似度）。