从0开始做电商推荐

今年一直在做关于电商推荐的业务

说到推荐，尤其是在现在大数据和人工智能的背景下，感觉一定要多用一些深度学习，机器学习的算法才是高大上。的确高大上，只是有时候如果需要快速拿出成果，产生效益，可能简单粗暴的方法更有效，也就是据业务需求和特点，制定一些规则，先让推荐跑起来。

虽然开始的时候可以不需要复杂的模型，但是数据一定要有。数据是基础，有了数据才有一切算法的可能；其次要有好的评价指标。各个位置的推荐的目的是为了提高点击率还是转换率，要事前有个好的标准，并能实时观察，根据指标调整策略。

推荐的数据不外乎商品的特征，用户的特征以及用户作用于商品的特征。其中商品特征和用户特征又可以分为基本属性特征和实时特征。基本特征主要依赖配置以及历史数据的统计，实时特征需要根据用户和商品的之间的行为实时更新

商品基本特征主要可以包括名称，价格，上线时间，配件，分类，标签等，以及统计特征如曝光，点击，收藏，加购，购买等次数，点击率、转换率，和根据协同过滤的原理统计出的共同浏览，共同购买等信息

用户基本特征，即用户画像可以根据用户一系列的购买行为推测，比如购买力，活跃度，对优惠的敏感度，以及用户标签如是否有车、有房、有小孩等，以及实时统计到的用户点击，加购等各种行为

用户-商品特征则是由上述两个特征进一步组合计算得来。

推荐的策略可以首先从简单的策略开始着手。

第一阶段，比如可以根据商品的热度进行推荐。对于每个用户，根据一定的比例推荐一组点击，点击率，转换率高的产品。并与之前的人工配置相比，看各项指标是否有所提升

第二阶段，可以考虑用户特征，根据用户近期行为，推荐用户点击过或者购买过的产品，进行个性化推荐

第三阶段，可以引入更多的维度，并利用简单的机器学习算法，将推荐转换为分类问题，进行预测

由此逐步提高各项指标