商品推荐

用户基本信息进行推荐

有年龄、性别、收入范围、兴趣爱好、星座、生活区域等标签，那么标签完全相同的这一类人就极有可能有相同的喜好（一般还会把行为加入一起来判断相似性）比如一个用户的标签组成为：20—35之间、女性、低收入人群、爱宠人士、双鱼座……，最近刚好购买了一袋X品牌的狗粮，那么则另外一个标签与她相符的人，也可能在某个时间段产生这个需求。

用户行为数据进行推荐

比如在电商的场景下，常见的用户行为就会有浏览、搜索、加购、支付、评价、收藏、分享等等，那么通过记录这些用户行为数据，我们就可以对应进行推荐了。

①基于搜索关键词进行推荐

对于一个新注册的买家来购物，这时候大部分数据都全无，咋办？因为这个买家除了具备一些基本的人群属性外，购物行为和购物偏好方面是空的。好，这时候我们可以根据他搜索的关键词来进行跟踪推荐，依据搜索同样关键词的其他用户最后达成的商品成交概率来进行合理推荐。

举个例子：如连衣裙这个产品，在风格上有韩版的、欧美的、田园风格的等等。那么搜索引擎通过分析以前搜索“连衣裙”这个关键词的其他消费者，发现70%以上的消费者最终都购买了“韩版”的，那么韩版就是一个高概率成交风格。所以，展现这一类型的商品在这个新用户面前的。

②基于浏览记录进行推荐

对于淘宝这种大型系统来说，在整个网站中和app中的所有浏览记录的时间脉络，它是全部有记录，完全能够做到判断你在何时看到什么商品，同时浏览的行为背后即代表这关注，表明用户对此商品感兴趣，那么我们完全可以根据这一类商品的相似度进行关联推荐，用户所有浏览行为都是商品推荐的重要依据。

举个例子：每次你搜索并且看完一些宝贝后，关闭淘宝，过一段时间再打开淘宝，你就可以看到在“猜你喜欢”模块中出现之前浏览过的同类商品。

③基于购买记录的推荐

其实这是很好理解的，因为你已经购买了，所以这证明了你对产品的认可，甚至是对这个店铺的认可，尤其是在一些比如说衣服、视频、鞋子、宠物用品等复购率较高的商品中。如果你在这个店铺里面买过，那么你在搜索相关的关键词的时候，这个店铺符合要求的商品就会被优先展现（尤其是新上架的商品），方式是：购买过的店铺。

举个例子：淘宝中，你收藏的店铺、浏览过的店铺等等，都会以一种强个性化的方式得到优先推荐，而且还会给你添上标签“购买过的店铺”。在绝大多数类目里面，这种最高级别的推荐都是非常明显的。

喜好度评分、向量余弦公式

基于用户的协同过滤（user-based CF），通过用户对不同类型的商品的喜好度进行评分，然后根据每类商品的喜好度评分构建一个多维向量，使用余弦公式有来评测用户之间喜好度的相似性，基于此将其他相似用户非常喜欢而该用户还没有了解的产品进行推荐。这部分推荐本质上是给用户推荐其他相似用户喜欢的内容，一句话概括：和你类似的人也喜欢这些商品。

关于喜好度的计算，先将用户行为的权值定义清楚，假设定义如下：

搜索权值为1；

点击流量权值为1；

加购权值为2；

咨询权值为1；

完成支付权值为3；

好评权值为2；

分享权值为3；

那么在系统中加入埋点，产生用户行为数据之后，我们将可以获得用户关于某类商品的喜好度具体分值，加权平均后分值区间为【0,13】

在假设商城类仅有5类商品：

对食品类目的商品喜好度（0~13分）

对家居类目的商品喜好度（0~13分）

对玩具类目的商品喜好度（0~13分）

对图书类目的商品喜好度（0~13分）

对游戏类目的商品喜好度（0~13分）

一个用户A：对食品的喜好度为3，对家居的喜好度为1，对玩具的喜好度为4，对图书的喜好度为5，对游戏的喜好度为0，用户A可以用向量表示为

一个用户B：对食品的喜好度为3，对家居的喜好度为4，对玩具的喜好度为5，对图书的喜好度为0，对游戏的喜好度为2，用户A可以用向量表示为

接下来就要使用的【余弦函数】了，这边要和大家解释一下向量的概念（可能很多人高中数学已经忘记了），向量是空间中带箭头的线段，2个向量之间的夹角越小，表明它们的相似度越相近，多个属性的向量表示为

。

对于用户A的对于所有类目商品的喜好度向量

和用户B的向量

而言，他们的在多维空间的夹角可以用向量余弦公式计算：

余弦值的值域在【-1,1】之间，0表示完全垂直90°，-1表示夹角180°，1表示夹角为0°，系数越靠近1，向量夹角越小，两件商品的相关性越高，。就刚才用户A和用户B的例子而言，我们可以知道他们的相似度为：

相似度系数推荐说明：

非常相似：0.8—1.0；

比较相似：0.6—0.8；

一般：0.4—0.6；

不太相似：  0—0.4；

完全不相似：-1.0—0；

那么根据这个余弦值的结果，我们会发现用户A和B在商品的喜好度上是比较相似的，所以在给A推荐商品时，我们就可以依照B喜欢的而A却从未浏览过的商品进行推荐，或者是其他B喜欢的商品等。

总结

目前大部分推荐都是多重算法结合的，以上介绍为了逻辑清晰，所以都是单一说明，没有进行组合，而现实中可能会依据相同标签相似喜好度的人推荐同类型的产品等，接下来的【下篇】，我会重点为大家介绍关于区别于给用户标签化的推荐方法，更高阶的是给商品、服务、店铺等全方位的标签化，同时还会介绍到标签的标签，比如标签的场景失效，标签的热度衰减等！