本文介绍了电商推荐算法，主要包括基于用户的协同过滤、基于Item的协同过滤、基于内容的推荐、基于关联规则的推荐、基于RFM和人口统计特征的推荐算法。针对不同阶段的电商平台，推荐算法有所不同。系统初期可采用基于人口统计、热搜和浏览记录的推荐，标签系统，以及多维数据的利用。成熟期则推荐使用协同过滤、基于内容和关联规则的组合推荐法。评价推荐算法的关键指标包括准确度、多样性、新颖性和覆盖率。
一、 电商推荐算法简述
目前比较多的电商模式为B2B，B2C，O2O，在本文介绍和需要举例说明的地方B2B电商模式为主。
电商推荐根据推荐内容不同分为物品推荐、商家推荐；流行的推荐应用主要有三个方面：1）针对用户的浏览、搜索等行为所做的相关推荐；2）根据购物车或物品收藏所做的相似物品推荐；3）根据历史会员购买行为记录，利用推荐机制做邮件推送或会员营销。其中推荐算法主要分为以下几个类：
1、基于用户的协同过滤推荐算法
a. 找到与目标用户兴趣相似的用户集合
b. 找到这个集合中用户喜欢的、并且目标用户没有听说过的物品推荐给目标用户
2、基于Item（项目）的协同过滤推荐算法
a.基于用户对某商品的兴趣程度，寻找出相似度最大的物品。
b.将相似度最大的物品推荐给目标用户。
协同过滤举例：四个用户ABCD，对5个商品abcde的兴趣与否见下表（实际用户对物品的兴趣程度有区别，需要具体的评分量化），这里方便理解原理，用二元值表示用户对物品是否感兴趣。
|
|
a |
b |
c |
d |
e |
目标物品 |
| A |
1 |
1 |
0 |
1 |
0 |
1 |
| B |
1 |
0 |
1 |
0 |
0 |
0 |
| C |
0 |
1 |
0 |
0 |
1 |
1 |
| D |
最低0.47元/天 解锁文章
77
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
