編輯導(dǎo)語：“電商個(gè)性化推薦”，想必在淘寶、天貓和京東等電商巨頭的熏陶下，每個(gè)電商用戶或多或少的都對這個(gè)名詞有所聽聞。但作為當(dāng)下商品流和信息流領(lǐng)域一項(xiàng)必不可少的技術(shù)，其中的門道都有哪些？一個(gè)電商平臺(tái)是如何猜你喜歡什么的？希望這篇文章能夠給你帶來收獲。

一、目標(biāo)

在我們開始講電商推薦之前。我們先來明確整一個(gè)推薦系統(tǒng)在電商平臺(tái)中的目標(biāo)是什么。毋庸置疑的，推薦系統(tǒng)對于電商平臺(tái)的核心價(jià)值一定是：轉(zhuǎn)化率的提高，銷售額的提高。

那在明確了推薦系統(tǒng)對于電商平臺(tái)的價(jià)值之后，我們同時(shí)也來看一看一個(gè)好的推薦系統(tǒng)對于用戶所帶來的價(jià)值是什么：

顯而易見的就是讓用戶在更短的時(shí)間內(nèi)找到他最喜歡的商品，特別是在當(dāng)下一個(gè)信息和商品都無比豐富的時(shí)代背景之下，我們需要通過推薦系統(tǒng)去幫助我們的用戶快速的去找到他所感興趣的或者說是他想購買的商品，為用戶節(jié)省時(shí)間，縮短路徑。

在明確的整一個(gè)推薦系統(tǒng)對于電商平臺(tái)以及用戶的價(jià)值之后，我們來看一下整一個(gè)推薦系統(tǒng)，它是如何去實(shí)現(xiàn)的。

一個(gè)完整的推薦系統(tǒng)，它包含三大核心環(huán)節(jié)：召回、排序、調(diào)整。

1. 召回：通過召回，來找出要呈現(xiàn)在用戶面前的商品；
2. 排序：通過排序，來決定商品出現(xiàn)在用戶面前的順序；
3. 調(diào)整：通過調(diào)整，來對系統(tǒng)的排序結(jié)果做一些調(diào)整，以提供更好的體驗(yàn)給用戶。

那下面我們先從召回開始講起。

二、召回

召回需要解決的核心問題就是：找出要給消費(fèi)者推薦哪些商品。

而關(guān)于如何找出應(yīng)該給消費(fèi)者推薦的商品，是有一個(gè)大方向的，那就是——找出消費(fèi)者更喜愛的、更有可能購買的商品。因?yàn)橹挥羞@樣，消費(fèi)者才更加的愿意去瀏覽這個(gè)商品，更加愿意為這個(gè)商品買單。

而要達(dá)到這樣一個(gè)目的的召回，一般我們在電商行業(yè)里面有五種方法，也就是：

1. 基于商品屬性的召回
2. 基于物品的協(xié)同過濾
3. 基于用戶的協(xié)同過濾
4. 基于商品熱度的召回
5. 基于規(guī)則的召回

我們先來看基于商品屬性的召回：

1. 基于商品屬性的召回

基于商品屬性的推薦，它本質(zhì)的一個(gè)思想是非常樸素的，也就是：給用戶推薦他正在瀏覽的這個(gè)商品的相似商品給他以增加用戶的購買概率，豐富用戶的選擇。

我們的用戶來到電商平臺(tái)，正在瀏覽某一個(gè)商品的時(shí)候（如商品詳情頁面），他是有比較明確的一個(gè)目的性的（因?yàn)楫?dāng)一個(gè)消費(fèi)者來到了商品的詳情頁的時(shí)候。

他一般經(jīng)歷過了比較長的一個(gè)購買路徑，例如說他可能是搜索某一個(gè)關(guān)鍵詞進(jìn)來的，也可能說是他看了某一個(gè)推薦的文章，或者說是某個(gè)商品列表之后，對這個(gè)商品有一定的興趣，然后點(diǎn)擊進(jìn)來的。

也就意味著說我們的消費(fèi)者點(diǎn)擊進(jìn)來這個(gè)商品的詳情頁面的時(shí)候，是付出了一定的成本的，因此我們就可以比較大概率的認(rèn)為我們的消費(fèi)者對將一個(gè)商品是有一定的目的性的）。

那基于這樣的一個(gè)前提下，我們的消費(fèi)者在瀏覽一個(gè)特定商品的時(shí)候，我們需要給他推薦的是與該商品相似的一些商品，這樣用戶的購買概率會(huì)更大。

關(guān)于如何去實(shí)現(xiàn)的話，我們可以構(gòu)建這樣一個(gè)矩陣：

行向量是我們的物品，縱向量是商品的屬性，矩陣的值就是每一個(gè)商品在具體屬性上的值。然后我們只需要計(jì)算特定商品和其他商品之間的相似度即可，找出相似度評分的TopK個(gè)商品返回即可完成召回。

有了這樣一個(gè)矩陣之后，我們兩兩去計(jì)算行向量之間的余弦相似度（當(dāng)然也可以用別的方法，至于什么是余弦相似度請自行百度），即可得到商品的相似度評分。

2. 基于物品的協(xié)同過濾

基于物品的協(xié)同過濾,這個(gè)算法，它并不利用商品屬性來計(jì)算商品相似度，這個(gè)算法利用的是用戶的行為記錄來計(jì)算物品之間的相似度。該算法認(rèn)為物品a和物品b具有很大的相似度，是因?yàn)橄矚g物品a的用戶大都也喜歡物品b。

關(guān)于如何去實(shí)現(xiàn)的話，我們也是先構(gòu)建一個(gè)矩陣，行向量是我們的商品，列向量是我們的用戶。矩陣中的值就是每一個(gè)用戶對每一個(gè)商品的消費(fèi)結(jié)果，或者是瀏覽次數(shù)，又或者是瀏覽時(shí)長。

有了這樣一個(gè)矩陣之后，我們再兩兩計(jì)算行向量之間的相似度即可得到每個(gè)商品之間的相似度（一般采用余弦相似度）。

當(dāng)我們需要在商品詳情頁的底部進(jìn)行商品推薦的時(shí)候，我們就直接計(jì)算當(dāng)前頁面的商品的相似商品即可；當(dāng)我們需要在首頁的猜你喜歡進(jìn)行推薦的時(shí)候，我們就可以取出用戶最偏愛的一些商品，然后再計(jì)算這一些偏愛商品的相似商品，推薦給用戶即可。

3. 基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾，他的思想來自于物以類聚，人以群分。

也就是說，當(dāng)我們需要給一個(gè)消費(fèi)者進(jìn)行商品推薦的時(shí)候我們可以先找到和這個(gè)用戶擁有相同興趣的一群人，然后再找到這一群人他們所喜愛的商品、但是該消費(fèi)者又沒有瀏覽或者消費(fèi)過的商品，我們再把這些商品推薦給他。

關(guān)于如何去實(shí)現(xiàn)的話，同樣的，我們也是先去構(gòu)建一個(gè)矩陣：行向量是我們的用戶，列向量是我們的物品，矩陣的元素就是每一個(gè)用戶所消費(fèi)過或者說喜歡過的物品。

我們先兩兩計(jì)算用戶之間的相似度，找出和該用戶相似的一個(gè)用戶群體。

得到相似的用戶群體之后，我們再找出這個(gè)用戶群體所喜愛的商品的集合，同時(shí)刨除該用戶的已消費(fèi)過已瀏覽過的商品之后，把剩余的商品推薦給我們的用戶即可。

4. 基于熱度的商品推薦

基于熱度的商品推薦，顧名思義就是按照商品的熱度進(jìn)行推薦，這個(gè)算法也是在電商中應(yīng)用的比較多的一個(gè)方法。

因?yàn)椋?dāng)某一些新進(jìn)來的用戶，他在我們的站內(nèi)其實(shí)并沒有太多的數(shù)據(jù)記錄。這時(shí)候，基于熱度的商品推薦不失為一種較好的解決方法。

5. 基于規(guī)則的召回

基于規(guī)則的召回方法一般應(yīng)用于特殊場景。

例如：在某一個(gè)賣場的入口商品的推薦，當(dāng)我們的用戶在這個(gè)賣場的活動(dòng)頁面瀏覽過某一些商品的時(shí)候，我們?nèi)绻延脩糇罱鼮g覽那些商品直接放在這個(gè)賣場的入口里邊。這樣子的話，用戶下次點(diǎn)擊進(jìn)來這個(gè)賣場活動(dòng)的概率就大大增加。

又或者說，我們的用戶在購物車的結(jié)算頁面的時(shí)候，我們可以把和結(jié)算商品相搭配的一些商品，或者說是一些低單價(jià)的用來湊單的商品放在這個(gè)結(jié)算頁面的推薦，增加我們客戶購買的客單價(jià)。

基于規(guī)則的召回方法更多的是站在業(yè)務(wù)的層面和公司的一些戰(zhàn)略考慮來進(jìn)行設(shè)計(jì)的，它具有明確的業(yè)務(wù)導(dǎo)向和場景導(dǎo)向。在這方面也是推薦策略的產(chǎn)品人員耗費(fèi)精力，或者說迭代次數(shù)較多的一個(gè)方面。

上面我們講了這五種召回的方法，是不是就意味著說我們在某一個(gè)場景就只能用其中一種方法來進(jìn)行召回呢？

顯然不是的，在絕大多數(shù)場景下，我們都是多種召回方法混合使用的。例如：我們現(xiàn)在在電商平臺(tái)經(jīng)常能夠看到的猜你喜歡的這樣一個(gè)欄目，他其實(shí)就是多種召回算法混合使用的結(jié)果。

一般都會(huì)使用按照規(guī)則的召回方法，召回我們最近這一段時(shí)間，點(diǎn)擊瀏覽收藏但未購買的商品把它放到整一個(gè)猜你喜歡列表的靠前的地方，又或者說采用按商品屬性相似度的方法給我們計(jì)算近一段時(shí)間我們偏愛的商品的相似商品。

此外，為了豐富我們推薦的豐富度，也會(huì)去采用基于用戶的協(xié)同來找到一些我們還沒有看過，但是有可能喜歡的商品推薦給我們的用戶。

三、排序

在排序這一方面的話，大型電商平臺(tái)更多的是使用機(jī)器學(xué)習(xí)的算法再進(jìn)行排序。

算法層面，我們在這里不做過多的討論，我們這里只需要明確，整一個(gè)算法的目標(biāo)就是最大化用戶的點(diǎn)擊率，或者說用戶的轉(zhuǎn)化率。

除卻這一點(diǎn)，作為一位產(chǎn)品人員，在推薦系統(tǒng)上和算法人員合作最密切的應(yīng)該就屬算法特征的選取上面了，這什么意思呢？

也就是說我們要把哪一些影響因素考慮到這樣一個(gè)推薦算法上面去，一般來說我們會(huì)考慮的有用戶的個(gè)人的畫像特征，例如性別、收入、消費(fèi)水平、消費(fèi)記錄；以及我們也會(huì)把商品的一些特征放到算法里面去，商品的品類、品牌、價(jià)格、風(fēng)格等其他屬性的一些數(shù)據(jù)。

根據(jù)這樣一些用戶的特征和商品的特征以及歷史的商品成交數(shù)據(jù)，我們?nèi)ビ?xùn)練得到這樣一個(gè)點(diǎn)擊率預(yù)測模型，或者叫做轉(zhuǎn)化率預(yù)測模型。

得到了這樣一個(gè)模型之后，當(dāng)我們一個(gè)用戶進(jìn)來我們的平臺(tái)之后，我們只需要把這個(gè)用戶的特征以及我們召回階段得到的商品的特征，放入到我們這個(gè)模型中，我們就能夠得到這個(gè)用戶對每一個(gè)商品的點(diǎn)擊率或者是轉(zhuǎn)化率的一個(gè)數(shù)值，依此來去做商品的排序。

四、調(diào)整

排序結(jié)果的調(diào)整，顧名思義，就是針對算法模型給出的排序結(jié)果，進(jìn)行一些規(guī)則方面的調(diào)整。這些規(guī)則方面的調(diào)整出發(fā)點(diǎn)，都是一些業(yè)務(wù)導(dǎo)向和場景導(dǎo)向的。

舉個(gè)具體的例子：像我們一般會(huì)配置的排序調(diào)整規(guī)則有：無庫存打壓，當(dāng)一個(gè)商品沒有庫存的時(shí)候，那他的排序就會(huì)直接被打壓沉底；又或者說，已購買商品的過濾，就是一個(gè)用戶已經(jīng)購買過的商品，我們就會(huì)把這個(gè)商品過濾掉。

這些排序調(diào)整的規(guī)則都是我們根據(jù)現(xiàn)實(shí)的業(yè)務(wù)和用戶的使用場景所總結(jié)出來的，都是為了更好的用戶體驗(yàn)而設(shè)定的一些排序調(diào)整規(guī)則。

此外，也有一些公司戰(zhàn)略層面或者說是公司運(yùn)營規(guī)則方面所帶來的一些排序調(diào)整，例如京東的自營的商品排序就一定會(huì)排在商家的商品前面；是淘寶的天貓商品一般排序都會(huì)排在個(gè)人賣家的商品前面，就是這個(gè)道理。

電商平臺(tái)需要通過這樣一些排序的調(diào)整規(guī)則來去刺激，來去引導(dǎo)一些運(yùn)營的操作。

五、調(diào)優(yōu)

洋洋灑灑的寫了幾千字，只是初步的把一個(gè)商品是如何在電商平臺(tái)呈現(xiàn)在用戶面前的流程粗略的敘述了一下。

但是對于做推薦的人來說，構(gòu)建一個(gè)推薦策略只是開頭第一步，剩下的就是AB測試、數(shù)據(jù)復(fù)盤、策略調(diào)優(yōu)。如此往復(fù)，一個(gè)好的策略才可慢慢放量，直至完成這個(gè)策略所覆蓋的所有人群為止。

所以，對于推薦團(tuán)隊(duì)來說，一旦當(dāng)排序的算法構(gòu)建起來，并初步穩(wěn)定之后，調(diào)整的頻率和幅度都不會(huì)太大。

而永遠(yuǎn)在變就是召回的策略和排序調(diào)整的策略，隨著業(yè)務(wù)的擴(kuò)展，例如一開始只賣女裝，現(xiàn)在還要賣男裝；又或者說這個(gè)月老板和這個(gè)品牌是好朋友，下個(gè)月老板又換好朋友了等等。

這些業(yè)務(wù)情況是隨著公司的發(fā)展而變化的，而為了滿足這些不斷變化的業(yè)務(wù)場景，召回和調(diào)整的策略也必定是同步調(diào)整的，而這也是產(chǎn)品人員參與最多的環(huán)節(jié)。

#專欄作家#

王掌柜，人人都是產(chǎn)品經(jīng)理專欄作家。關(guān)注電商、企業(yè)服務(wù)、智能聊天機(jī)器人、數(shù)據(jù)產(chǎn)品。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Pexels，基于 CC0 協(xié)議