基于电商的推荐系统看用户行为分析

推荐系统是随着数据爆炸的互联网时代应运而出的一个提升用户搜索效率、增加商家转化率的有效方法。

首先从14年的京东推荐系统切入。关于京东的推荐系统找回模型，基本上是典型的推荐系统典型召回模型的代表，其基于三个维度实现：
基于行为的召回 根据用户购买行为推荐相关/相似的商品。大家都知道根据用户的浏览记录推荐相似商品，但京东更进一步地把购买行为视为一个重要的分界线，当用户已购买某个商品，京东会根据商品种类和用途选择推荐相关/相似的商品，而不是没玩没了地重复推荐，比如为Kindle买家推荐Kindle保护套而不是Kindle。当然，对于如肥皂、洗发水之类的日用品，会根据一个购买周期来再次推荐。

基于用户偏好的召回包括了两个重要的元素：用户画像和多屏互通。结合商品品牌、适用人群、价格指数以及用户对商品的点击、购买、关注和收藏等行为，京东对用户进行画像，从而确定可以长期推荐的品类。针对移动时代的购物新习惯，京东还注意到了根据用户ID及MEI等信息融合不同的终端的数据，包括PC端、移动APP、微信和手Q，从而做到更加精准的画像。当然，在最终的内容展示上，会根据终端的差异选择不同的展示结果。

基于地域的召回，把整个地图划分多个网格运用数据统计结果。以北京为例，三里屯地区用户更感兴趣的商品是扑克牌、水等，中低端小学校的数据主要集中在袜子、晾衣架等等。基于地域的召回主要用于在京东用户行为比较时候少的新用户。

其实这三个方面就是用户行为分析相对笼统基础的三个方面分析用户的方式。有这三个方面作为基础背景，我们介绍当下推荐系统的主流核心思想：
1. 第一种是基于用户购买行为构造itemCF-knn的协同过滤方式，然后通过用户购买的历史行为，分析推荐与用户购买历史近似的物品，进行推荐。
2. 第二种就是我们常用的als或者userCF-knn协同过滤的方法，他的原理是什么呢？就是通过线性回归或者是用户向量相似度刻画出用户画像，这里用户向量的特征可以是用户基本动作、用户访问留存时间、访问量、用户的评分、喜好、标签等，通过特征空间，构建精确的用户描述方法，然后根据用户群推荐相应的商品。
3. 第三种是通过相应用户的信息，如地域ip、性别年龄、操作历史、行为特征等信息构建用户向量空间，通过聚类的方法得到相应的用户群，根据用户群体使用商品打分排序对用户个体推荐商品。
4. 第四种方式和第三种相对，就是通过商品的信息构建商品自身的特征空间，如分类、价格段、属性、风格、品牌定位等，通过聚类的方法得到相应的商品归属群体，进而根据用户的操作推荐相应相似群体的商品。
5. 第五种这里没有提到，就是通过关联规则发现用户操作规律，这种规律一般无法通过商品信息得到，而是纯粹通过用户行为取得，可以通过这种方式对用户推荐，这种关联规则的推荐方式覆盖率较广。
6. 第六种方法就是一种笼统的应用，我们实用场景中需要根据确切的现实场景分析特定的算法使用方法，通过上面几种方式的结合使用，综合权重排序以后进行推荐就可以得到理想的个性化推荐。

转载请注明出处：http://blog.csdn.net/utopia_1919/article/details/51879803