大数据-推荐引擎

推荐引擎在当前电商平台用的相当多，本文简单理解下常见的几张推荐方式。首先说明下大数据用户画像可以用于针对性营销和单品推荐，但是即使没做用户画像也可以进行商品推荐。

推荐引擎的分类

推荐引擎是不是为不同的用户推荐不同的数据根据这个指标，推荐引擎可以分为基于大众行为的推荐引擎和个性化推荐引擎。

• 大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。
• 个性化推荐引擎，对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐。

这是一个最基本的推荐引擎分类，其实大部分人们讨论的推荐引擎都是将个性化的推荐引擎，因为从根本上说，只有个性化的推荐引擎才是更加智能的信息发现过程。

根据推荐引擎的数据源

其实这里讲的是如何发现数据的相关性，因为大部分推荐引擎的工作原理还是基于物品或者用户的相似集进行推荐。那么参考图 1 给出的推荐系统原理图，根据不同的数据源发现数据相关性的方法可以分为以下几种：

• 基于人口统计学的推荐：基于用户的基本信息发现用户的相关程度
• 基于内容的推荐：根据推荐物品或内容的元数据，发现物品或者内容的相关性
• 基于协同过滤的推荐：根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性

下面根据我重新画的图来说明下常见的一些模式：

1. 基于用户画像后的推荐

注意基于用户画像的针对性营销本身也是一种推荐引擎，要做到这样首先是要对用户进行精确画像，然后再根据用户画像+商品营销策略进行针对性推荐。

举例来说我们要对一款发烧耳机进行针对性营销，那么我们首先要从用户画像里面找到20岁以下，爱好音乐，发烧友这几个关键用户标签，然后再进行针对性推荐。

2. 基于人口统计学的推荐

简单来说找到用户A和用户B的相关性和相似性，然后将用户A的购买行为推荐给用户B。可以看到该模式下只分析用户相关性，没有分析物品相关性，也没有分析用户购买行为间的相关性。这种模式本身的推荐准确度个人感觉偏低，但是好处就是解决新用户冷启动问题。

比如当一个18岁的女大学生注册成功后，虽然这个用户还没有发生任何购买，但是根据用户相关性分析已经可以马上就可以进行相关物品的推荐。

3. 基于内容的推荐

根据推荐物品或内容的元数据，发现物品或者内容的相关性。举个简单例子即当我看了一部爱情浪漫影片后，可以马上给我推荐类似的影片。

主要什么影片是类似影片？要基于内容推荐首先就要对物品的相关性或相似性进行建模，这种相关性是静态的关系，物品相似度的分析仅仅依赖于物品本身的特征，这里没有考虑人对物品的态度。

举例来说，最近几天我都在某电商网站浏览某类的产品，这个时候我们根本没有登陆电商系统，只是做了浏览和加购物车的操作等。可能过2两天你就会收到电商平台发出的EDM营销或推荐邮件。在这种模式下即基本是基于内容推荐。当然推荐的时候电商平台会优先帮你选择销量高，评价好或性价比高的相似产品。

4. 用户相关性+用户购买行为协同过滤推荐

注意不是单纯静态用户相关性推荐，也不是单纯的用户购买行为推荐，而是将两者结合起来进行协同过滤推荐。简单来说就是首先根据用户购买行为发现了用户A和用户C是相关或相似用户，而不是根据静态用户属性简单判断用户相似，然后再根据相关性特点将用户A的购买推荐给用户C。

5. 物品相关性+用户购买行为的协同过滤推荐

即物品相关性不是简单进行物品静态相关性建模，而是根据用户购买行为来发现物品相关性。即我们常说的购买了物品A的也同时购买了物品B。比如购买了苹果手机的用户也同时购买了苹果手机保护膜。

这种推荐模式是我们经常看到的模式，比如我们在电商购买购买书籍，购买某种商品的时候，实时出现的推荐都属于这种模式为主。系统会告诉你购买了某本书的用户一般还同时购买了哪些书籍。我们不用去探究用户本身是否相关，而是关系用户购买行为触发的物品相关性。

对于推荐引擎，可以先阅读下IBM网站的一篇文章

索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探