用戶(hù)基本信息進(jìn)行推薦
有年齡评肆、性別损合、收入范圍、興趣愛(ài)好亲茅、星座回铛、生活區(qū)域等標(biāo)簽，那么標(biāo)簽完全相同的這一類(lèi)人就極有可能有相同的喜好（一般還會(huì)把行為加入一起來(lái)判斷相似性）比如一個(gè)用戶(hù)的標(biāo)簽組成為：20—35之間克锣、女性茵肃、低收入人群、愛(ài)寵人士袭祟、雙魚(yú)座……验残，最近剛好購(gòu)買(mǎi)了一袋X品牌的狗糧，那么則另外一個(gè)標(biāo)簽與她相符的人巾乳，也可能在某個(gè)時(shí)間段產(chǎn)生這個(gè)需求您没。
用戶(hù)行為數(shù)據(jù)進(jìn)行推薦
比如在電商的場(chǎng)景下，常見(jiàn)的用戶(hù)行為就會(huì)有瀏覽胆绊、搜索氨鹏、加購(gòu)、支付压状、評(píng)價(jià)仆抵、收藏、分享等等种冬，那么通過(guò)記錄這些用戶(hù)行為數(shù)據(jù)镣丑，我們就可以對(duì)應(yīng)進(jìn)行推薦了。
①基于搜索關(guān)鍵詞進(jìn)行推薦
對(duì)于一個(gè)新注冊(cè)的買(mǎi)家來(lái)購(gòu)物娱两，這時(shí)候大部分?jǐn)?shù)據(jù)都全無(wú)传轰，咋辦？因?yàn)檫@個(gè)買(mǎi)家除了具備一些基本的人群屬性外谷婆，購(gòu)物行為和購(gòu)物偏好方面是空的慨蛙。好，這時(shí)候我們可以根據(jù)他搜索的關(guān)鍵詞來(lái)進(jìn)行跟蹤推薦纪挎，依據(jù)搜索同樣關(guān)鍵詞的其他用戶(hù)最后達(dá)成的商品成交概率來(lái)進(jìn)行合理推薦期贫。
舉個(gè)例子：如連衣裙這個(gè)產(chǎn)品，在風(fēng)格上有韓版的异袄、歐美的通砍、田園風(fēng)格的等等。那么搜索引擎通過(guò)分析以前搜索“連衣裙”這個(gè)關(guān)鍵詞的其他消費(fèi)者烤蜕，發(fā)現(xiàn)70%以上的消費(fèi)者最終都購(gòu)買(mǎi)了“韓版”的封孙，那么韓版就是一個(gè)高概率成交風(fēng)格。所以讽营，展現(xiàn)這一類(lèi)型的商品在這個(gè)新用戶(hù)面前的虎忌。
②基于瀏覽記錄進(jìn)行推薦
對(duì)于淘寶這種大型系統(tǒng)來(lái)說(shuō)，在整個(gè)網(wǎng)站中和app中的所有瀏覽記錄的時(shí)間脈絡(luò)橱鹏，它是全部有記錄膜蠢，完全能夠做到判斷你在何時(shí)看到什么商品，同時(shí)瀏覽的行為背后即代表這關(guān)注莉兰，表明用戶(hù)對(duì)此商品感興趣挑围，那么我們完全可以根據(jù)這一類(lèi)商品的相似度進(jìn)行關(guān)聯(lián)推薦，用戶(hù)所有瀏覽行為都是商品推薦的重要依據(jù)糖荒。
舉個(gè)例子：每次你搜索并且看完一些寶貝后杉辙，關(guān)閉淘寶，過(guò)一段時(shí)間再打開(kāi)淘寶捶朵，你就可以看到在“猜你喜歡”模塊中出現(xiàn)之前瀏覽過(guò)的同類(lèi)商品蜘矢。
③基于購(gòu)買(mǎi)記錄的推薦
其實(shí)這是很好理解的，因?yàn)槟阋呀?jīng)購(gòu)買(mǎi)了泉孩，所以這證明了你對(duì)產(chǎn)品的認(rèn)可硼端，甚至是對(duì)這個(gè)店鋪的認(rèn)可，尤其是在一些比如說(shuō)衣服寓搬、視頻珍昨、鞋子、寵物用品等復(fù)購(gòu)率較高的商品中句喷。如果你在這個(gè)店鋪里面買(mǎi)過(guò)镣典，那么你在搜索相關(guān)的關(guān)鍵詞的時(shí)候，這個(gè)店鋪符合要求的商品就會(huì)被優(yōu)先展現(xiàn)（尤其是新上架的商品）唾琼，方式是：購(gòu)買(mǎi)過(guò)的店鋪兄春。
舉個(gè)例子：淘寶中，你收藏的店鋪锡溯、瀏覽過(guò)的店鋪等等赶舆，都會(huì)以一種強(qiáng)個(gè)性化的方式得到優(yōu)先推薦哑姚，而且還會(huì)給你添上標(biāo)簽“購(gòu)買(mǎi)過(guò)的店鋪”。在絕大多數(shù)類(lèi)目里面芜茵，這種最高級(jí)別的推薦都是非常明顯的叙量。
喜好度評(píng)分、向量余弦公式
基于用戶(hù)的協(xié)同過(guò)濾（user-based CF）九串，通過(guò)用戶(hù)對(duì)不同類(lèi)型的商品的喜好度進(jìn)行評(píng)分绞佩，然后根據(jù)每類(lèi)商品的喜好度評(píng)分構(gòu)建一個(gè)多維向量，使用余弦公式有來(lái)評(píng)測(cè)用戶(hù)之間喜好度的相似性猪钮，基于此將其他相似用戶(hù)非常喜歡而該用戶(hù)還沒(méi)有了解的產(chǎn)品進(jìn)行推薦品山。這部分推薦本質(zhì)上是給用戶(hù)推薦其他相似用戶(hù)喜歡的內(nèi)容，一句話概括：和你類(lèi)似的人也喜歡這些商品烤低。
關(guān)于喜好度的計(jì)算肘交，先將用戶(hù)行為的權(quán)值定義清楚，假設(shè)定義如下：
搜索權(quán)值為1拂玻；
點(diǎn)擊流量權(quán)值為1酸些；
加購(gòu)權(quán)值為2；
咨詢(xún)權(quán)值為1檐蚜；
完成支付權(quán)值為3魄懂；
好評(píng)權(quán)值為2；
分享權(quán)值為3闯第；
那么在系統(tǒng)中加入埋點(diǎn)市栗，產(chǎn)生用戶(hù)行為數(shù)據(jù)之后，我們將可以獲得用戶(hù)關(guān)于某類(lèi)商品的喜好度具體分值咳短，加權(quán)平均后分值區(qū)間為【0,13】
在假設(shè)商城類(lèi)僅有5類(lèi)商品：
對(duì)食品類(lèi)目的商品喜好度（0~13分）
對(duì)家居類(lèi)目的商品喜好度（0~13分）
對(duì)玩具類(lèi)目的商品喜好度（0~13分）
對(duì)圖書(shū)類(lèi)目的商品喜好度（0~13分）
對(duì)游戲類(lèi)目的商品喜好度（0~13分）
一個(gè)用戶(hù)A：對(duì)食品的喜好度為3填帽，對(duì)家居的喜好度為1，對(duì)玩具的喜好度為4咙好，對(duì)圖書(shū)的喜好度為5篡腌，對(duì)游戲的喜好度為0，用戶(hù)A可以用向量表示為
一個(gè)用戶(hù)B：對(duì)食品的喜好度為3勾效，對(duì)家居的喜好度為4嘹悼，對(duì)玩具的喜好度為5层宫，對(duì)圖書(shū)的喜好度為0杨伙，對(duì)游戲的喜好度為2，用戶(hù)A可以用向量表示為
接下來(lái)就要使用的【余弦函數(shù)】了萌腿，這邊要和大家解釋一下向量的概念（可能很多人高中數(shù)學(xué)已經(jīng)忘記了）限匣，向量是空間中帶箭頭的線段，2個(gè)向量之間的夾角越小毁菱，表明它們的相似度越相近米死，多個(gè)屬性的向量表示為
锌历。
對(duì)于用戶(hù)A的對(duì)于所有類(lèi)目商品的喜好度向量
和用戶(hù)B的向量
而言，他們的在多維空間的夾角可以用向量余弦公式計(jì)算：
余弦值的值域在【-1,1】之間峦筒，0表示完全垂直90°辩涝，-1表示夾角180°，1表示夾角為0°勘天，系數(shù)越靠近1，向量夾角越小捉邢，兩件商品的相關(guān)性越高脯丝，。就剛才用戶(hù)A和用戶(hù)B的例子而言伏伐，我們可以知道他們的相似度為：
相似度系數(shù)推薦說(shuō)明：
非常相似：0.8—1.0宠进；
比較相似：0.6—0.8；
一般：0.4—0.6藐翎；
不太相似：? 0—0.4材蹬；
完全不相似：-1.0—0；
那么根據(jù)這個(gè)余弦值的結(jié)果吝镣，我們會(huì)發(fā)現(xiàn)用戶(hù)A和B在商品的喜好度上是比較相似的堤器，所以在給A推薦商品時(shí)，我們就可以依照B喜歡的而A卻從未瀏覽過(guò)的商品進(jìn)行推薦末贾，或者是其他B喜歡的商品等闸溃。
總結(jié)
目前大部分推薦都是多重算法結(jié)合的，以上介紹為了邏輯清晰拱撵，所以都是單一說(shuō)明辉川，沒(méi)有進(jìn)行組合，而現(xiàn)實(shí)中可能會(huì)依據(jù)相同標(biāo)簽相似喜好度的人推薦同類(lèi)型的產(chǎn)品等拴测，接下來(lái)的【下篇】乓旗，我會(huì)重點(diǎn)為大家介紹關(guān)于區(qū)別于給用戶(hù)標(biāo)簽化的推薦方法，更高階的是給商品集索、服務(wù)屿愚、店鋪等全方位的標(biāo)簽化，同時(shí)還會(huì)介紹到標(biāo)簽的標(biāo)簽抄谐，比如標(biāo)簽的場(chǎng)景失效渺鹦，標(biāo)簽的熱度衰減等！
