推荐系统是一套信息过滤系统,通过推荐算法将用户和物品联系起来,它能够在信息过载的环境中帮助用户找到感兴趣的信息,也能够推送信息给感兴趣的用户。二、商品推荐目的1 想让用户买什么
正如上面过所说, 很多用户过来就是无聊打发时间,也不知道想要买什么,就是上来看看。这个场景主要表现在新平台的用户只是过来看看上面的商品是否和自己的预期匹配,这个预期首先抛开产品功能上体验,从商品角度来说包括商品的丰富程度,商品价格优惠程度;老平台的用户过来只是为了打发时间,看看平台有没有推荐自己感兴趣的商品。比如各种秒杀活动、团购活动、搜热、分类上热门搜索、猜你喜欢等等。电商常用这些做法来表达自己平台的主张,平台想要用户买什么。
2 用户可能想买什么
给用户推荐用户真正感兴趣的商品,个性化进行推荐。用户使用的时间越长,推荐的越精准。偏好的推荐本质上是一种排除系统,主要流程包括收集-分析-匹配-推荐。
为什么说用户使用时间越长推荐越精准,通过用户的使用,系统在不断收集用户的行为信息(浏览记录、搜索记录、购买记录、收藏记录、评价记录及用户基本信息),再通过收集到用户行为记录分析用户购买偏好,建立用户画像;匹配相同偏好的用户发现其偏好的商品,匹配相似度高的商品;推荐通过算法将匹配相似度高的商品在前台进行呈现。个性化推荐通过计算商品和用户特征,最终实现千人千面的商品推荐方式。
3 更好的挖掘长尾商品
8020法则无处不在,尤其是传统零售企业需要考虑商品的流转率,都希望每个商品都被销售一空,因为如果滞销货架的成本会压死零售商。但是互联网的出现在试图打破这个法则,这些长尾商品的总销售额是个不可小觑的数字,甚至超过主流商品。主流商品代表大多数用户的需求,而长尾商品则代表小众用户个性化需求。通过推荐系统发掘用户兴趣,发掘长尾商品创造更高的销售额。
为什么今日头条,抖音都说有毒,不知不觉一刷就是好几个小时,背后的始作俑者就是推荐算法,而这种推荐算法就是更懂你。今日头条和抖音这类平台的崛起让人意识到推荐算法的强大,而最先运营推荐算法的是在电商领域,如果说新闻类推荐不精准用户最多看其他新闻,电商变现链条路径比较短,如果推荐算法不完善流失的可是真金白银。
三、推荐算法数据获取
个性化推荐算法不是凭空产生的需要基于用户的行为进行数据分析设计的,用户行为在个性化统计中有两种方式显性和隐形。
显性反馈行为就是让用户明确表达对物品的观点,比如对音乐的喜欢和不喜欢,对电影的评分,对小视频的点赞等,这些都是设计人员特意让用户表达自己的观点。
与显性相对的就是隐性反馈方式,这种方式不需要用户特地的反馈自己的偏好,而是通过用户行为模型进行采集和分析,比如用户对商品的浏览行为。隐性反馈和显性反馈需要的数据量更好,存储方式分布式存储,对算法模型要求更高。
通过两种反馈方式后,我们可以得出用户给出的反馈结果,而结果分为正向的结果和负向的结果,两个结果就不做详细解释,从字面意思就可以看出来。需要说明的一下隐性反馈一般没有负反馈,隐性反馈都是从日志数据中得到用户行为的结果。
下面我们来对电商推荐系统做一下简单的介绍。
四、常规推荐法
这种方法和线下商超的手法如出一辙,比如banner广告、热销排行榜、商家促销、秒杀、精品推荐等等,都是给予平台运营人员或者买手主观进行推荐,并不会因为用户不同而产生差异,而推荐的条件取决于运营人员经验、商家的赞助(花钱)、销售数据、评价数据、浏览数据、收藏数据等这些因子的影响。
目前电商纷纷转型内容电商和社交电商,通过PGC或者UGC生成内容来吸引消费者的眼球,留住用户时间从达到促销的目的。
内容形式有长图文、视频推荐、直播推荐等多种形式,在内容中嵌入商品购买入口,在浏览时可以直达商品,增加购买转化率。
而社交电商主要是分销形式,一说分销大家都懂,他那是冲着消费去的吗?
常规推荐的问题也很明显,爆款数量毕竟是少数,运营人员推荐的商品用户不一定会买账,这样用户流失率会比较高。这就催生出了第二种推荐方式:个性化推荐法。
五、个性化推荐法
个性化推荐通过采集用户信息,商品信息以及用户行为数据,通过分析和整理后过滤掉的商品数据,利用推荐算法的规则和排序方式给用户进行推荐商品的呈现,从而达到个性化的推荐。而用户对呈现结果的反馈比如点击,浏览时间,收藏,购买,作为依据来不断优化推荐系统。
常见的个性推荐算法主要包括:基于内容个性推荐、利用用户行为的协同过滤、基于人口建模的推荐。在现实情况下,推荐算法不会单一的存在,而是多种推荐方式进行融合,实现个性化推荐的目的-用户可能想买什么。
1 基于内容的推荐(CB,Content-Based Remendation)
CB基于内容相关性构建商品模型推荐,利用内容本身的特征进行推荐。将商品相关的类目、品牌、商品属性、商品标题、商品标签等相似内容推荐给用户。内容的推荐是非常基础的推荐方法,计算的是内容本身的相关程度。
比如用户在淘宝上浏览过男士衬衫,在淘宝的发现好货就会给你推荐各种各样的男士衬衣、男士T恤、男士西装等,在通过你继续访问男士七分袖衬衣,系统又获取到这个产品属性,会继续给你推荐七分袖的亚麻衬衣、七分袖麻料衬衣、五分袖衬衣、男士七分袖T恤等等。这就相当于在商场身边有个贴身的导购,你每试穿一次衣服又为你推荐一系列相关的衣服一样。
CB的基本实现原理(1)提取商品特征
这个可以根据商品的一些特征比如类目,属性,品牌,标题,标签,商品组合,评分等因子进行提取。
(2)计算用户喜欢的特征
根据用户以前的喜欢的和不喜欢的商品的特征进行计算,得出用户喜欢的特征。用户的特征由相关关键字组成,可以通过TF-F模型计算用户行为的关键字,从而得出用户的特征。
(3)相关商品推荐给用户
根据用户喜欢的特征,去商品库进行选择,找出相关性最大的多个商品进行推荐。因为提取出了商品的特征,通过计算得出了用户喜欢的特征,可以通过余弦相似度计算出商品间的相识性给用户进行推荐。简单介绍一下余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度。如图所示,夹角越小,两个向量越类似;夹角越大,两个向量越不同。