推薦一直是電商平臺(tái)的重要流量入口。以往在電商平臺(tái)上，推薦的場(chǎng)景更多的覆蓋在交易的各個(gè)環(huán)節(jié)，比如詳情頁(yè)、購(gòu)物車、訂單及支付等。近年來(lái)推薦發(fā)展逐漸的多樣化，場(chǎng)景上逐漸覆蓋到各流量入口，推薦的實(shí)體也擴(kuò)展到活動(dòng)、類目、運(yùn)營(yíng)位等。
從頁(yè)面角度來(lái)說(shuō)，幾乎所有頁(yè)面上面都可以進(jìn)行商品推薦：首頁(yè)、搜索結(jié)果頁(yè)、詳情頁(yè)、購(gòu)物車頁(yè)面、下單成功頁(yè)、錯(cuò)誤頁(yè)，等等。而不同的頁(yè)面，推薦的側(cè)重點(diǎn)也會(huì)不盡相同。
在電商網(wǎng)站里進(jìn)行商品推薦，可以提高整個(gè)網(wǎng)站商品銷售的有效轉(zhuǎn)化率，增加商品銷量。通過(guò)用戶已經(jīng)瀏覽、收藏、購(gòu)買的記錄，更精準(zhǔn)的理解用戶需求，對(duì)用戶進(jìn)行聚類、打標(biāo)簽，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時(shí)放大需求，售賣更加多樣化的商品。甚至在站外推廣時(shí)，能夠做個(gè)性化營(yíng)銷。
推薦系統(tǒng)：推薦出現(xiàn)的位置、場(chǎng)景非常復(fù)雜
推薦出現(xiàn)的位置、場(chǎng)景非常復(fù)雜，幾乎所有頁(yè)面上面都可以進(jìn)行商品推薦，而不同頁(yè)面，推薦的側(cè)重點(diǎn)也會(huì)不盡相同。比如：首頁(yè)推薦，用戶還沒(méi)有任何行為，所以一般都是通過(guò)該用戶的歷史軌跡向用戶進(jìn)行推薦。在詳情頁(yè)，用戶已經(jīng)表現(xiàn)出對(duì)該商品的強(qiáng)烈興趣，一般會(huì)做類似商品或者組合商品的推薦。
不同位置的推薦產(chǎn)品定位不同：
單品頁(yè)：購(gòu)買意圖;過(guò)渡頁(yè)：提高客單價(jià);購(gòu)物車頁(yè)：購(gòu)物決策;無(wú)結(jié)果頁(yè)：減少跳出率;訂單完成頁(yè)：交叉銷售;
關(guān)注推薦：提高轉(zhuǎn)化;我的推薦：提高忠誠(chéng)度;首頁(yè)猜你喜歡：吸引用戶。
推薦系統(tǒng)的價(jià)值：
滿足用戶的好奇心;縮短用戶到商品的距離;挖掘用戶潛在購(gòu)買需求;用戶需求不明確時(shí)提供參考。
小豬創(chuàng)夢(mèng)電商稱，推薦系統(tǒng)主要包含系統(tǒng)推薦和個(gè)性化推薦兩個(gè)模塊。應(yīng)用千人千面推薦最多的領(lǐng)域就是電商行業(yè)，數(shù)千億的sku和數(shù)億的用戶為個(gè)性化推薦系統(tǒng)提供了完美的發(fā)揮空間。
系統(tǒng)推薦： 根據(jù)大眾行為的推薦引擎，對(duì)每個(gè)用戶都給出同樣的推薦，這些推薦可以是靜態(tài)的由系統(tǒng)管理員人工設(shè)定的，或者基于系統(tǒng)所有用戶的反饋統(tǒng)計(jì)計(jì)算出的當(dāng)下比較流行的物品。
個(gè)性化推薦：對(duì)不同的用戶，根據(jù)他們的口味和喜好給出更加精確的推薦，這時(shí)，系統(tǒng)需要了解需推薦內(nèi)容和用戶的特質(zhì)，或者基于社會(huì)化網(wǎng)絡(luò)，通過(guò)找到與當(dāng)前用戶相同喜好的用戶，實(shí)現(xiàn)推薦。
(一)系統(tǒng)推薦：
系統(tǒng)推薦目的：針對(duì)所有用戶推薦，當(dāng)前比較流行的商品(必選) 或 促銷實(shí)惠商品(可選) 或 新上市商品(可選)，以促進(jìn)商品的銷售量。
實(shí)現(xiàn)方式包含：系統(tǒng)自動(dòng)化推薦 和 人工設(shè)置推薦。
(1)系統(tǒng)自動(dòng)化推薦考慮因素有：商品發(fā)布時(shí)間、商品分類、庫(kù)存余量、歷史被購(gòu)買數(shù)量、歷史被加入購(gòu)物車數(shù)量、歷史被瀏覽數(shù)量、降價(jià)幅度等。根據(jù)我們當(dāng)前可用數(shù)據(jù)，再進(jìn)一步確定(TODO2)
(2)人工設(shè)置：提供運(yùn)營(yíng)頁(yè)面供運(yùn)營(yíng)人員設(shè)置，設(shè)置包含排行位置、開始時(shí)間和結(jié)束時(shí)間、推薦介紹等等。
(二)個(gè)性化推薦：
個(gè)性化推薦目的：對(duì)不同的用戶，根據(jù)他們的口味和喜好給出更加精確的推薦，系統(tǒng)需要了解需推薦內(nèi)容和用戶的特質(zhì)，或者基于社會(huì)化網(wǎng)絡(luò)，通過(guò)找到與當(dāng)前用戶相同喜好的用戶，實(shí)現(xiàn)推薦，以促進(jìn)商品的銷售量。
根據(jù)推薦引擎的數(shù)據(jù)源有三種模式：基于人口統(tǒng)計(jì)學(xué)的推薦(比如：性別、年齡范圍、收入情況)、基于內(nèi)容的推薦、基于協(xié)同過(guò)濾的推薦。
用戶喜好設(shè)計(jì)：判斷用戶喜好因素：歷史購(gòu)買、歷史購(gòu)物車、歷史搜索、歷史瀏覽等，待確定我們可用數(shù)據(jù)再進(jìn)一步細(xì)化。結(jié)合某個(gè)商品的不同行為 統(tǒng)計(jì)出 最終對(duì)該商品的喜好程度，即對(duì)商品的喜好程度，最終以一個(gè)數(shù)字體現(xiàn)。
關(guān)于微信個(gè)性化推薦：
在微信購(gòu)物界面體現(xiàn)的方方面面，主要有關(guān)鍵詞推薦(新用戶主要通過(guò)上下文信息推薦，準(zhǔn)確度不是很高)、素材推薦(入口圖、焦點(diǎn)圖、品牌特賣)、商品(賣場(chǎng)、秒殺、拼購(gòu)等)資訊(趣好貨、購(gòu)物圈)以及其他如猜你喜歡、類目入口(由于手機(jī)屏幕大小原因，條目不能全部顯示，智能通過(guò)用戶興趣選擇用戶感興趣的條目)欄目館區(qū)等
微信上面這些海量個(gè)性化推薦業(yè)務(wù)主要由ABC(AI人工智能、BigData大數(shù)據(jù)、Cloud云服務(wù))技術(shù)支持，主要解決用戶體驗(yàn)問(wèn)題，運(yùn)營(yíng)效率問(wèn)題、業(yè)務(wù)效果問(wèn)題。
微信購(gòu)物推薦系統(tǒng)需要知道解決那些問(wèn)題：
(1)首先業(yè)務(wù)需求多，原先想的是一個(gè)一個(gè)業(yè)務(wù)對(duì)接，但是關(guān)鍵詞開發(fā)需要人員，資訊開發(fā)也需要人員，但是開發(fā)人員資源有限，開發(fā)壓力大，無(wú)法應(yīng)對(duì)也無(wú)需求;
(2)平臺(tái)多，接入工作流量大，每個(gè)都去對(duì)接工作量大;
(3)跨公司問(wèn)題，數(shù)據(jù)不是完全共享，安全性能要求高，只能系統(tǒng)對(duì)接，因此流量紅點(diǎn)壓力大;
(4)用戶體驗(yàn)問(wèn)題，只能向前不能倒退；
(5)效果問(wèn)題，增長(zhǎng)放緩，只能從技術(shù)、算法方面來(lái)提升;
(6)用戶量大，資源有限等。
推薦系統(tǒng)核心是“數(shù)據(jù)”、“算法”、“系統(tǒng)”，有這三種推薦系統(tǒng)就能運(yùn)行。
電商推薦系統(tǒng)的具體工作是：
首先用戶會(huì)請(qǐng)求我們的業(yè)務(wù)系統(tǒng)，之后請(qǐng)求推薦引擎，推薦接入實(shí)現(xiàn)業(yè)務(wù)分流到對(duì)應(yīng)的推薦平臺(tái)，然后通過(guò)推薦算法、模型返回用戶所需數(shù)據(jù)。除此之外還有一個(gè)數(shù)據(jù)的反向上報(bào)(行為上報(bào))，因?yàn)槲覀兊耐扑]都是基于大數(shù)據(jù)，如果我們能收集用戶的行為越多，對(duì)用戶的行為就越準(zhǔn)，推薦也就越精確。對(duì)用戶的(點(diǎn)擊，搜索，瀏覽)做DMP(大數(shù)據(jù)管理平臺(tái))，讓模型訓(xùn)練算法，其響應(yīng)時(shí)間一般是限度控制在300-500毫秒。
微信購(gòu)物推薦系統(tǒng)平臺(tái)架構(gòu)如下所示，依據(jù)架構(gòu)依據(jù)小豬創(chuàng)夢(mèng)電商軟件能夠3-5天搭建一個(gè)推薦系統(tǒng)。
首先業(yè)務(wù)層，主要是有哪些業(yè)務(wù);
其次是接入層，我們有第三方接入引擎，還要做分流，都要做A/B text;
接入后要做推薦引擎，我們分為三層：為召回策略(添加條件，選擇最相關(guān))、打分排序、重排策略;引擎打分需要模型，這一塊為計(jì)算層。
再然后是數(shù)據(jù)層，這塊主要是用戶畫像和物料畫像以及數(shù)據(jù)分析等;
最底層是基礎(chǔ)平臺(tái)，來(lái)支持我們做推薦，算法訓(xùn)練，我們的實(shí)時(shí)用的是Spark，離線用的是Hadoop，用CM做集成，用Sklearn/TensorFlow做離線分析，對(duì)于大賬號(hào)推送用全站數(shù)。
除此之外比較重要的一個(gè)是數(shù)據(jù)上報(bào)，最開始用的是自己研發(fā)的用C/C++實(shí)現(xiàn)，后來(lái)需要與業(yè)界對(duì)標(biāo)，采用Flume和Kafka。集群時(shí)間是分鐘級(jí)，但是用戶畫像是毫秒級(jí)，用戶畫像是基于用戶行為而不是數(shù)據(jù)庫(kù)。
關(guān)于電商推薦系統(tǒng)的思考：
推薦的數(shù)據(jù)來(lái)源很雜，可控度不是那么高，在做任何模型的時(shí)候要全面檢查數(shù)據(jù)各個(gè)指標(biāo);一個(gè)迭代動(dòng)作做完之后，如果沒(méi)有效果或者負(fù)向效果，仔細(xì)去對(duì)比每個(gè)步驟，如果找不到就更細(xì)化的去分析，分用戶，分不同 trigger 去分析。推薦系統(tǒng)比較復(fù)雜，搭建更快的部署方案能讓開發(fā)時(shí)間大大縮減。
