大數據-推薦引擎

推薦引擎在當前電商平臺用的相當多，本文簡單理解下常見的幾張推薦方式。首先說明下大數據用戶畫像可以用于針對性營銷和單品推薦，但是即使沒做用戶畫像也可以進行商品推薦。

推薦引擎的分類

推薦引擎是不是為不同的用戶推薦不同的數據根據這個指標，推薦引擎可以分為基于大眾行為的推薦引擎和個性化推薦引擎。

• 大眾行為的推薦引擎 ，對每個用戶都給出同樣的推薦，這些推薦可以是靜態的由系統管理員人工設定的，或者基于系統所有用戶的反饋統計計算出的當下比較流行的物品。
• 個性化推薦引擎 ，對不同的用戶，根據他們的口味和喜好給出更加精確的推薦，這時，系統需要了解需推薦內容和用戶的特質，或者基于社會化網絡，通過找到與當前用戶相同喜好的用戶，實現推薦。

這是一個最基本的推薦引擎分類，其實大部分人們討論的推薦引擎都是將個性化的推薦引擎，因為從根本上說，只有個性化的推薦引擎才是更加智能的信息發現過程。

根據推薦引擎的數據源

其實這里講的是如何發現數據的相關性，因為大部分推薦引擎的工作原理還是基于物品或者用戶的相似集進行推薦。那么參考圖 1 給出的推薦系統原理圖，根據不同的數據源發現數據相關性的方法可以分為以下幾種：

• 基于人口統計學的推薦 ：基于用戶的基本信息發現用戶的相關程度
• 基于內容的推薦 ：根據推薦物品或內容的元數據，發現物品或者內容的相關性
• 基于協同過濾的推薦 ：根據用戶對物品或者信息的偏好，發現物品或者內容本身的相關性，或者是發現用戶的相關性

下面根據我重新畫的圖來說明下常見的一些模式：

1. 基于用戶畫像后的推薦

注意基于用戶畫像的針對性營銷本身也是一種推薦引擎，要做到這樣首先是要對用戶進行精確畫像，然后再根據用戶畫像+商品營銷策略進行針對性推薦。

舉例來說我們要對一款發燒耳機進行針對性營銷，那么我們首先要從用戶畫像里面找到20歲以下，愛好音樂，發燒友這幾個關鍵用戶標簽，然后再進行針對性推薦。

2. 基于人口統計學的推薦

簡單來說找到用戶A和用戶B的相關性和相似性，然后將用戶A的購買行為推薦給用戶B。可以看到該模式下只分析用戶相關性，沒有分析物品相關性，也沒有分析用戶購買行為間的相關性。這種模式本身的推薦準確度個人感覺偏低，但是好處就是解決新用戶冷啟動問題。

比如當一個18歲的女大學生注冊成功后，雖然這個用戶還沒有發生任何購買，但是根據用戶相關性分析已經可以馬上就可以進行相關物品的推薦。

3. 基于內容的推薦

根據推薦物品或內容的元數據，發現物品或者內容的相關性。舉個簡單例子即當我看了一部愛情浪漫影片后，可以馬上給我推薦類似的影片。

主要什么影片是類似影片？要基于內容推薦首先就要對物品的相關性或相似性進行建模，這種相關性是靜態的關系，物品相似度的分析僅僅依賴于物品本身的特征，這里沒有考慮人對物品的態度。

舉例來說，最近幾天我都在某電商網站瀏覽某類的產品，這個時候我們根本沒有登陸電商系統，只是做了瀏覽和加購物車的操作等。可能過2兩天你就會收到電商平臺發出的EDM營銷或推薦郵件。在這種模式下即基本是基于內容推薦。當然推薦的時候電商平臺會優先幫你選擇銷量高，評價好或性價比高的相似產品。

4. 用戶相關性+用戶購買行為協同過濾推薦

注意不是單純靜態用戶相關性推薦，也不是單純的用戶購買行為推薦，而是將兩者結合起來進行協同過濾推薦。簡單來說就是首先根據用戶購買行為發現了用戶A和用戶C是相關或相似用戶，而不是根據靜態用戶屬性簡單判斷用戶相似，然后再根據相關性特點將用戶A的購買推薦給用戶C。

5. 物品相關性+用戶購買行為的協同過濾推薦

即物品相關性不是簡單進行物品靜態相關性建模，而是根據用戶購買行為來發現物品相關性。即我們常說的購買了物品A的也同時購買了物品B。比如購買了蘋果手機的用戶也同時購買了蘋果手機保護膜。

這種推薦模式是我們經常看到的模式，比如我們在電商購買購買書籍，購買某種商品的時候，實時出現的推薦都屬于這種模式為主。系統會告訴你購買了某本書的用戶一般還同時購買了哪些書籍。我們不用去探究用戶本身是否相關，而是關系用戶購買行為觸發的物品相關性。

來自：http://blog.sina.com.cn/s/blog_493a84550102wm21.html