电子商务推荐算法工业应用总结

电子商务推荐算法工业应用总结

谨以此文纪念阅读推荐算法论文，设计开发推荐算法，不断踩雷，加班的日子

推荐系统就是要恰当的时间合适的地方，采用适用的方法给正确的人推荐满足需求的商品

即 when where who what how。本文关注的是其中的一个方面，电子商务推荐算法（即how）。

开发满足实际工程应用的算法，推荐算法人员具备的能力：以工程化的方法，产品设计者的思维来设计和开发算法

1 非个性化推荐算法

这里定义的非个性化算法，即算法结果中不涉及到用户的算法。譬如根据商品推荐商品。根据实际工业应用主要分为三种：

假设A和B分别表示Item，

如果A和B同质，即电子商务中A和B同类商品，这是很多人反感推荐的一个应用之一。譬如经常在的定向广告，经常有人抱怨，“刚买了个奔驰Smart，还给我推荐奔驰Smart，我又不是分销商”。这个是个bad case。这就是属于学术界那些开发者思维。没有结合实际场景考虑，用户既然购买过了，需要做些算法调整。但是，同质算法也有场景比较合适，譬如用户购物前，在选择商品的时候。举个例子，用户在看iphone手机，你非要给他推荐个牛肉干，这时，推荐异质不大合适。因此，同质商品推荐适合购物前选择商品的时候。譬如，进入amazon.com,点击某个商品，然后回到首页，你会发现，

如果A和B是异质，即电子商务中A和B是不同类目商品，这也是普通用户常常喊破嗓子的交叉推荐，买了个避孕套，推荐润滑剂之类的。这种类型的算法，比较适合用户最近几天或者刚刚购买商品之后的场景。譬如前面讲述的微博定向广告推荐商品的例子中，用户购买了某商品，还在不断的推荐同质商品。在实际算法开发时，需要做特殊处理，譬如处理掉同质商品，或者用一些譬如关联规则的算法，可以计算出异质商品。

如果A和B是混合的，即不考虑A和B是否同异质，根据用户的行为，设计开发算法。这类算法在购物流程中都相对适合，要结合实际产品需求进行选择。满足多样性的同时，也可以满足下用户选择同质商品的机会，对CTR有些帮助。

譬如

这类非个性化推荐算法，可以参考以前写的短文： http://blog.sina.com.cn/s/blog_61c463090101bp01.html 

2 个性化推荐算法

个性化推荐算法，即推荐结果中有用户信息，即每个用户推荐的结果不一样。

P（B|U，A）即根据用户信息及当前的商品，推荐商品B的可能性。比较适合这种算法的场景，譬如商品详细页面，用户在登录状态下，有用户信息，和当前浏览的商品，从而给用户推荐商品。它解决了部分实时的问题（一种伪实时，让用户感觉是实时）。譬如登录用户来到这个页面，

根据用户特征和商品关系，推荐个性化的商品。个人的观点是，在这个页面，其实前述非个性化的算法，就可以满足需求，加入个性化，就要考虑投资回报率ROI。大多时候，产品设计者都是在根据自己的意淫，来觉得这应该用什么算法。因此，算法人员，就要结合实际场景考虑。

p（B|U，A1，A2…...）即用户登录状态下，根据用户特征，已经多个商品信息，为用户推荐商品。这种算法的场景，就是大家常说的类似个性化推荐，譬如猜你喜欢等等模块，根据用户行为商品和用户特征，产生推荐。这里举个例子，譬如在用户主页，我的淘宝里面，实际设计算法就是要结合用户和历史行为，推荐商品。P（B|U）即只有用户信息情况下，推荐商品，貌似就是冷启动问题。

         解决这类问题，一般是将上述公式结合贝叶斯和全概公式，根据用户和商品特征转化，结合前面非个性化部分的商品关系数据，进行处理。但是，实际中，还有其他方法处理，譬如对用户兴趣做预测，电子商务中往往是预测用户感兴趣的类目+标签，这样一个粒度。如果直接预测到商品这个粒度，就直接解决问题。常见的算法已经铺天盖地，这里就不介绍了，慎用，大胆假设，小心求证。

3 知识库

Bad case库：根据实际算法开发，总结出的库，包括一些common sense。举个例子，譬如微博上有人提到的淘宝广告给用户推荐骨灰盒寿衣等。哎，学术贩子。把这些bad case总结起来。

经验库：公司运营产品的一些经验，即根据运营平时做营销，做活动所总结的经验。譬如这个季节适合推荐什么等等。还有，譬如一些重要的常见节假日，对特殊人群的推荐。让推荐更加真实些吧。

个人结合各大电商站点，总结了一些这样的电子商务知识库，这些对算法都是有一些帮助。不仅仅是针对推荐这种服务（Recommendation as a Service）.

爆点：

1 设计算法时，一定要做前期数据探索（数据分析），虽然部分人不以为然，个人经验，还是得有数据探索，即前面讲到的 when where  who what how，结合实际场景。这一点不仅仅适合推荐算法，工业应用中的其他数据挖掘模型的应用，都需要做这个。

2 设计推荐算法，绝多数情况下要考虑时序信息，这对算法效果有很大的帮助，甚至决定性的影响

3学术派，是为了论文，那些算法实在特定环境下产生。工业应用，要结合实际去选用，考虑，加以改善。对待学术派，时刻，带着怀疑的态度去审度算法应用。

4 牢记ROI

5 KISS 原则  keep it simple & stupid 简约而不简单

6 when where who what how

更多详情，欢迎交流