關於產品推薦引擎你不得不知道的那些事兒

什麼是產品推薦?

產品推薦是一種用於預測及顯示用戶會想要購買的商品的過濾系統。 它的準確率並不是最高的，但是如果它向你推薦了一個你喜歡的那它就起到它的作用了。

近年來推薦系統越來越火，並用於各種不同的領域，包括電影，音樂，新聞，書籍等等。 大多數都是用於電商平台，比如eBay，亞馬遜，阿里巴巴等都有他們自己專門的推薦系統為客戶們提供他們可能喜歡的產品。

在合理的設置下，它可以有效的提升利潤，點擊率，轉化率等等。 它們還可以為用戶提供更好的體驗，好比說顧客滿意度跟顧客回頭率，這個對於電商是很重要的。

推薦系統讓這些可以實現。 推薦系統基本上是一個利用演算法和數據向某些用戶推薦最相關的產品的過濾工具。簡單來說，它們就是一個自動化的櫃檯。 當你跟他詢問一個商品的時候，他不僅幫你找到那個商品，他還會向你推薦其他相關的產品。 它們在交叉銷售和追加銷售方面的訓練有素。

隨著互聯網上的信息跟用戶量大大的增加，企業們根據自己的需求及喜好搜索，繪製和提供相關信息變得越來越重要。 對話機器人也是一樣利用相同的原理，但是他們相對的比較聰明，他們從每個商品的使用或購買中學習。

讓我們用一個例子來更加理解推薦系統。 如果沒猜錯的話，大部分的人們都有使用過亞馬遜。 亞馬遜35%的利潤是來自於它自己的推薦系統，那他們的戰略是什麼呢?

亞馬遜將推薦系統作為電子郵件廣告和它自己大部分網頁中更具有針對性的營銷工具。 亞馬遜會根據你瀏覽過的內容推薦來自不同類別的產品，然後把你有可能會購買的產品放在你面前。 就像在產品頁面下面的「頻繁購買」一樣，誘惑你直接買一套。 這個推薦系統唯一的目的就是提高平均訂單價值，就像是基於購物車裡面的商品或是用戶正在查看的商品來交叉銷售和追加銷售。

亞馬遜利用用戶的瀏覽紀錄讓用戶們常看的商品永遠出現在他們的眼中，並且利用評分跟評論來選出推薦的和暢銷的商品。 亞馬遜希望你能夠買一整套而不是單單一個產品，舉個例子，當你買了一部手機的時候它會推薦你買一個保護殼或是膜，然後更進一步的利用推薦系統發電子郵件通知你目前流行的產品或是類別。

有哪幾種推薦系統?

基本上分為以下三大類

·協同過濾法

· 基於內容的過濾法

· 混和推薦系統

1

協同過濾:

這種過濾方式是基於收集和分析用戶的行為、動態或喜好與其他用戶的相似度來預測他們可能會喜歡的東西。 協同過濾的一個優勢是它並不需要了解內容就可以推薦像電影之類複雜的東西，並不需要對產品有理解。 協同過濾假設之前被認同的東西以後還是會被認同以及之前喜歡的東西以後也會喜歡類似的。 比如， 路人A喜歡產品1,2,3，然後路人B喜歡產品2,3,4，他們兩個有共同的喜好，所以路人A應該會喜歡產品4，而路人B應該會喜歡產品1。

這些是不同的協同過濾演算法

·用戶-用戶協同過濾演算法:我們會搜索相似的顧客並且推薦它們類似的產品。 這種演算法非常的有效但是會需要跟每個顧客的信息匹配所以會需要大量的時間和資源導致這個演算法很難大的平台上被應用。

·商品-商品協同過濾演算法:這個跟」用戶-用戶」的演算法非常類似，但是是尋找類似的商品而不是顧客。 在我們得到商品間相似的關係後，我們可以非常容易的對顧客推薦他們購買過的類似產品。 這個演算法跟」用戶-用戶」的演算法相比只需要很少的資源。 對於新的用戶，這個演算法只需要一點的時間，因為我們不需要找到用戶跟用戶之間的關係，亞馬遜也使用這種方法來推薦類似的產品並且提高銷售。

·其他較簡單的演算法:還有一些其他的演算法，像是購物籃分析，並沒有比上面所說的演算法好，所以這裡就帶過。

2

基於內容的過濾:

在基於內容的推薦系統里，關鍵詞被用來描述商品然後建立用戶檔案來說明用戶喜歡的類型。 換句話來說，演算法會試著推薦跟用戶過去喜歡的商品類似的商品。 基於內容的過濾的想法是，如果你喜歡一個商品，你也會喜歡另一個類似的商品，就像是推薦類似的電影或是歌曲一樣。 這種方法就是基於信息搜索和過濾的研究。

基於內容的過濾的一個主要問題是，系統是否能夠從用戶的使用發法學慣用戶的偏好並將其應用到其他不同的內容類型中。 當系統推薦與用戶已使用的相同類型的內容時，如果推薦其他服務的其他內容類型，推薦系統的價值會明顯減少。 例如，基於瀏覽新聞推薦新聞文章是有用的，但是當基於新聞瀏覽而推薦來自不同服務的音樂、視頻時，它不會更有用。

3

混和推薦系統:

近期的研究顯示，把協同以及基於內容的推薦系統結合在一起可能會更有效果。 這種混和的方法可以分別進行基於內容跟協同的預測，然後將他們組合在一起來使用。 相對的，可以把基於內容的能力加入協同的方法中，也可以協同的能力加入基於內容的方法中，或是將兩個統一到一個模型中。

有一些研究主要對比混合型的性能與獨自的協同和基於內容的方法，並且證明了混合型方法可以提供比單個方法更準確的推薦。 這種方法可以用來克服推薦系統中的常見問題，如冷啟動和數據不足問題。

Netflix就是使用混合推薦系統的一個很好的例子。他們的網站通過比較類似用戶的觀看和搜索習慣（協同過濾）以及提供與用戶高度評價的電影（基於內容的過濾）類似性質的電影來提出建議。

總而言之，對於產品推薦引擎的類型有相當多技術性的解釋。但是用戶或買主們主要關心的是產品和推薦引擎建議的質量。 這種認知計算方法可以將推薦人的素質提高到一個新的水平。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！