【实战案例】商品推荐算法（2）

2022年分享了以商品为中心的推荐算法，本篇在此基础上，介绍以用户为中心的商品推荐算法。

看过商品推荐算法（1）的朋友还记得这张图吗？不记得也没关系，我再画一遍~
它表达的正是商品推荐的逻辑本质，寻找关联关系。

接下来会讨论3个主题：
1. 如何将商品B推荐给用户A？
2. 案例分享：人工配置 VS 推荐算法 ABtest
3. 拓展应用：基于商品关联关系的扩散选品

一、如何将商品B推荐给用户A？

在商业环境中，大部分经营多商品的商城会采用推荐算法，也就是用户会点击n个商品，n可能是0，也可能是1000，这里我们仅讨论n≥1的情形（n=0采用冷启动），即：用户A访问了一系列商品A，商品A会关联出一系列的商品B，如何将商品B推荐给用户A？

在前一篇文章中，我们已经知道如何建立关系②，那接下来要考虑的问题就是：哪些关系是需要维系的？（类比人际关系网络）
1> 如何根据已知关系选择商品A？（由于不同的行业商品可能存在季节性，以及用户访问行为的跨期性，需要对商品A集合做筛选）
2> 如何根据关联关系②量化商品A集合与商品B关系的强弱？（对商品B集合进行排序）
3> 如何根据上述两个关系，综合判断用户A与商品B的关系？

这里给出一些参考的维度，可以实现算法从0分到60分，想拿更高分的朋友可以结合业务场景来做参数的选择与调整：
【商品A的选择】最近一段时间点击的n个商品、最近一段时间内购买的n单，可以根据用户行为时间、频次设置权重（用weight代表权重）；
【商品A集合与商品B的关系】对商品An关联到的商品Bn进行聚合计算，An的权重越大，Bn被商品集合A关联的次数越多，Bn与集合A的关系就越强（用score代表关系值）；
【用户A与商品B的关系】对score进行排序得到用户A的潜在兴趣商品，需要注意的是实践中需要对计算的结果商品集合B做人工干预，如：剔除售罄/赠品、新品加权重等情况。

二、案例分享：人工配置 VS 推荐算法 ABtest

关于ABtest的方法和案例我们已经分享了很多次，此处就简要描述>>>

第一步：做出实验的假设
使用数据推荐商品是否比有经验的运营人工推荐更有效？用户点击率更高？下单转化率更高？

第二步：算法准备完成后，上线测试效果
1> 对用户随机分析，A组设置为人工经验推荐，B组设置为关联算法推荐，A组B组用户数各占DAU50%；
2> 由于这里涉及多岗位协作，容易出现bug，如：计算逻辑与预期不符、展示顺序与需求描述不一致、商品更新频率较低等，所以在测试前要仔细核对每一个步骤。（曾经遇到过上线后对所有用户展示冷启动规则商品的情况）

第三步：对比关键指标
1> 推荐模块点击率=推荐商品点击人数/访问到此模块人数
2> 此模块人均点击商品数
（当然也可以看更深层次的加车、下单结果数据，以及偏向过程的B组推荐算法展示率等，可以根据业务场景自行调整。）

上图中数据表示>>>
上线前（9.21-9.24）：AB两组用户在测试模块的商品点击率、点击个数无明显差异，基本说明两组用户在特征上没有差异；
测试中（9.25-9.26）：9.25测试上线，上线第一天B组推荐算法的商品点击率及人均点击商品个数均较A组有提升，且9.26有相同表现；（B组点击商品数增多，可能与推荐的更新频率高，从而展示的商品数较多有关。）
测试后（9.27-9.30）：9.27将A组也调整为推荐算法展示，其相关数据也均有提升；
结论：数据推荐的商品集与人工推荐的商品集相比，前者点击率更高。

三、拓展应用：基于商品关联关系的扩散选品算法

这部分简单提及一个商品关联关系的应用场景，主要是为了说明：商品关联并不只是服务于推荐算法一个场景（格局小了）。
试想一个经营实例：盒马计划在商业区A开新店，应该选择哪些商品存放在A店？既能减少库存管理成本，又能极大满足用户的购物需求？

参考答案：选取种子商品集，经过N次商品关联（扩散），不断扩充选品池，同时测算不同商品池可以满足的订单比例。（代码自己写哈）

如上图数据所示，选取销量前50的商品作为种子，经过3次扩散后选品池总计799个sku，用总SKU数的34.7%，预计可以满足54.0%的订单需求。

文末：
有的朋友会问啦，小编你怎么两篇都没有写关联规则（Apriori）算法，这跟我了解到的不一样啊！！！
别着急，听我说（谢谢你~），本文采用的计算逻辑与Aprior算法有相通之处，均为计算频繁项集出现的概率，且在置信度（confidence）计算上更为灵活且易于理解；另外在实践过程中，由于商品推荐算法涉及多部门合作，若使用Aprior算法逐一解释沟通成本极高，故一般不选用这种方式，而是编写业务方更易于理解的算法进行计算。

如有不够详尽之处，欢迎私信、留言与我联系。