推荐算法知识

关于淘宝的推荐算法，我觉得以下几个因素比较重要：

• 人 --用户是一个什么样的人？
  
• 想法 --用户当前在想什么？
  
• 物 --用户之前买过什么！
  

这三个事情应该是循序渐进的，他们一起才能决定用户可能想买什么这件事情。


用户是一个什么样的人对推荐的影响
做一个极端的假设，用户只是填写了一些资料，我们知道他是一个21岁左右的某个二线南方城市男生，之前没有任何历史行为，他可能想买什么呢？
我们可以对21岁南方二线城市这个定义的男生的历史购买行为做分析，得到这个群体最常购买的物品类型1,2,3,4,5对这个用户做相应的推荐。
在这个情况下，这种推荐应该是合理的。

所以我们从人的角度出发应该做这么一件事情：

• 划分用户群体，从性别，年龄，角色等一些特征来划分群体。
  
  • 具体的划分可能要通过分析数据才能得到结论，比如21岁和22岁的用户，差别可能不大，但21岁跟30岁的用户，购买行为的差异性则比较大了，这个具体的区间可以对用户购买数据来做一个比较，最终的划分可能是22-25，25-30,30-40等等这样的一个年龄复合性别的划分。
  • 用户的角色，比如作为父亲的角色可能会给儿子买东西，夫妻公用一个账号的行为，这些应该都是可以分析到的。
• 根据用户的群体划分，结合对应群体的购买行为，推荐群体契合度高的商品。

用户的想法对用户对推荐的影响
用户的想法，可能有以下这些：

1. 用户的浏览行为，用户看了什么
2. 用户的搜索行为，用户搜索了什么
3. 用户的收藏行为
4. 用户的点击行为，点击了什么样的商品

可以从这些行为中分析得出用户的以下喜好：

• 物品类型喜好：我们可以从用户的过往行为，搜索浏览点击收藏，这些也就是用户的想法。得到用户最近的一个购买想法，他想买什么样的东西我们是能知道的，他最近是想买衣服还是买电器？这个决定我们的推荐
  
• 风格喜好：分析用户的相应行为，比如对应的衣服的话，可能带了一些关键词，简约，白色，等等这些，这些都应该记录并体现在推荐里。
• 我们可以根据这些喜好去给用户做相应推荐，比如重点推荐白色简约款的衣服。

用户之前买过什么对推荐的影响
当前大家挺诟病的一点是淘宝上我买了什么推荐什么！但用户的购买行为对用户的推荐确实是很有帮助的。
将物品按购买频次，我做了一个分类：

• 一次性物品，比如空调，买了你就尽量别再推荐了，除非我过一段时间又有搜索或者搜藏空调的行为。
• 周期性物品，比如牙膏，分析用户行为是有一个使用周期的。分析淘宝上的行为得到牙膏的一个大概使用周期是两月，他的一个推荐概率的曲线应该是这样的：

1. 从购买的那刻起，推荐系数降到最低
   
2. 从此刻起，推荐系数逐渐升高，到一个周期（2月）结束时，推荐系数升到最高点。
   
3. 第二个周期开始后，推荐系数开始下降，到一个周期的中点，推荐系数降到最低，但高于刚刚购买时的推荐系数。此后推荐系数逐渐升高，到这个周期结束时升到最高。
   
4. 之后继续第3步，如果任意周期中，用户产生购买行为，则回到第1步。
   

• 持续性物品，需要考虑时间和地区的影响
  1. 零食是一个持续性物品，我们可以通过分析买了瓜子的人还买了什么样的零食给用户做持续推荐。
  2. 我夏天买了很多衣服，你可以分析买了类似衣服的人在冬天买了什么衣服，在冬天的时候，你可以根据这个给我做出很好的推荐。
  3. 就算是冬天，我在深圳和我在北京，也应该有很大的区别。
  
  
  我知道要做好淘宝的推荐是一个很难的事情，但这个题目确实挺有意思的，以上是关于这些淘宝推荐的影响的一些思考，权当抛砖引玉。
  
  这个只能说是一个思考的模型，我都没有能力去具体化成一个解决方案。以上说到的三个因素也需要有很好的结合才能有真正的实用价值。
  
  可能推荐算法就是一个不断做加法的过程！
  在最开始的时候，可能淘宝的推荐就是一个很简单的根据你搜索了什么就推什么给你的一个模型。
  但这个这个基础上，这个模型加入了性别年龄的影响
  然后加入了用户的浏览行为，甚至搜索的关键字的影响
  再继而加入了用户的购买行为的物品特征的影响
  加入了同样购买了该物品的用户同时买了什么的元素
  。。。。。。。。等更多
  这些加法造成的结果可能就是淘宝越来越懂你。
  
  现在看来，淘宝的用户购买行为更多的是通过搜索和随意浏览造成的比例比较大。但我相信，如果淘宝的推荐系统足够智能，用户通过推荐而产生的购买行为绝对是很可观的。