智能推荐用Python实现

智能推荐是给客户带来价值，以“客户需求”为导向的，常见的如淘宝的 “你可能还喜欢”，亚马逊的 “购买此商品的用户也购买了” 便是实例。今天就带大家来看看如何将智能推荐算法用Python来实现。

研究方向： Python

常见的推荐系统与算法

常见的 推荐系统分类 有：

• 基于应用领域:  电子商务/社交好友推荐等
• 基于设计思想:  基于协同过滤的推荐等
• 基于使用数据:  基于用户标签的推荐等

“ 京腾 ” 合作构建用户画像标签图

常见的 推荐算法 有：

本文将专注于理解起来最容易且又十分经典常用的 基于关联规则的购物篮推荐 。商品的关联度分析对于 提高商品的活力、挖掘消费者的购买力、促进最大化销售 有很大帮助。其建模理念为：物品被同时购买的模式反映了客户的需求模式， 适用场景 ：无需个性化定制的场景；有销售记录的产品，向老客户推荐；套餐设计与产品摆放。

购物篮简介

问 ： 什么是购物篮？主要运用在什么场景？

答：单个客户一次购买商品的综合称为一个购物篮，即某个客户本次的消费小票。常用场景：超市货架布局：互补品与互斥品；套餐设计。

问 ： 购物篮的常用算法？

答 ：常用算法有

• 不考虑购物顺序 ： 关联规则 。购物篮分析其实就是一个因果分析。关联规则其实是一个很方便的发现两样商品关系的算法。共同提升的关系表示两者是正相关，可以作为互补品，如豆瓣酱和葱一起卖也才是最棒的。替代品的概念便是我买了这个就不用买另外一个。
• 考虑购物顺序 ： 序贯模型 。多在电商中使用，比如今天你将这个商品加入了购物车，过几天又将另一个商品加入了购物车，这就有了一个前后顺序。但许多实体商店因为没有实名认证，所以无法记录用户的消费顺序。

问 ： 求出互补品与互斥品后对布局有什么用？

答 ：根据关联规则求出的商品间的关联关系后，可能会发现商品间存在强关联，弱关联与排斥三种关系。每种情形有各自对应的布局方式。

• 强关联度：关联度的值需要视实际情况而定，在不同 的行业不同的也业态是不同的。强关联的商品彼此陈列在一起会提高双方的销售量。双向关联的商品如果陈列位置允许的话应该相关联陈列，即A产品旁边有B，B产品边上也一定会有A，比如常见的剃须膏与剃须刀，男士发油与定型梳；而对于那些单向关联的商品，只需要被关联的商品陈列在关联商品旁边就行，如大瓶可乐旁边摆纸杯，而纸杯旁边则不摆大瓶可乐，毕竟买大可乐的消费者大概率需要纸杯，而购买纸杯的顾客再购买大可乐的概率不大。
• 弱关联 ：关联度不高的商品，可以尝试摆在一起，然后再分析关联度是否有变化，如果关联度大幅提高，则说明原来的弱关联有可能是陈列的原因造成的。