常見推薦規(guī)則和算法

推薦算法最常見的是物品相似和用戶共同喜好相似。

拿最初亞馬遜賣書舉例，物品相似就是如果你購買或者搜索了某一本書，它會根據(jù)之前提取的該書的特征，比如作者，圖書分類，推薦同一作者或同一門類的其他圖書給你。其實一個簡單的基于規(guī)則推薦系統(tǒng)效果已經(jīng)很驚艷了，而且這種推薦一般不會出來你完全不感興趣的東西。

通過比較用戶相似做的推薦就稍有趣一點，基本原理是A用戶和B用戶的購買記錄和行為類似，歸為同類客戶，那么A用戶記錄里買過ab兩本書，B目前只買了a一本書，那系統(tǒng)就可能把b那本書也推薦B用戶。這種規(guī)則能發(fā)現(xiàn)一些潛在的興趣點，但由于分類的問題，也可能推薦出你完全不感興趣的東西。

用戶共同喜好原理的一個延申是用戶畫像。購物網(wǎng)站會記錄用戶的一系列行為形成數(shù)據(jù)鏈記錄：登錄，搜索、瀏覽、選擇商品、頁面停留時間、評論閱讀、是否關注促銷，以及加入購物車、下訂單、付款、配送方式，最終是否有售后和返修。通過行為提煉或者通過三方數(shù)據(jù)庫，年齡、性別、地域、購物習慣，是否已婚，是否有孩子，對促銷是否敏感等都被記錄在用戶畫像上。

早期的這兩種方法實現(xiàn)都基于規(guī)則設置，做一些數(shù)據(jù)挖掘，根據(jù)挖掘結果設置一些規(guī)則。這些規(guī)則都是易于理解的，就像在書店，書會按照門類或者作者陳列。

推薦算法里還有一種思路接近搜索算法，根據(jù)用戶搜索記錄的關鍵字，推薦和這些關鍵字相關的其他搜索結果中的物品。

亞馬遜率先推出協(xié)同過濾思想，之后電商都是采用幾種算法共同作用的結果，除了以上三種，常見的還基于一些用戶行為的假設，比如：

曾經(jīng)瀏覽過但沒有下單的物品

按照周期性推薦，比如洗衣粉，紙巾等。

推薦一些賣得好的流行品?