電商系統中，它的推薦系統與實現邏輯是怎么樣的呢？不同推薦方式背后的運行邏輯是什么呢？本文將為我們揭曉以上問題的答案。

很多事物沒有接觸其背后真相的時候都覺得它十分神秘，生活中的魔術就是這樣的事物。

而我們在沒有接觸推薦系統的時候，同樣覺得它十分神秘、不可思議。比如用戶在搜索引擎上搜索一些商品的資料后，去淘寶或者京東時竟然突然發現在推薦的地方出現了用戶想要去搜索的商品。

慢慢去了解推薦系統，并思考推薦系統的實現時，我發現它們背后基本邏輯還是十分簡單的。

一、推薦系統是什么呢？

今晚有英超的球賽，啤酒和球賽才是最配，怎么能沒有啤酒呢，這時你有幾個選擇？

第一種選擇：你可以去你家樓下7-11，然后你走進店鋪轉了一圈很快找到了啤酒，然后你對比一下幾個品牌和價格，然后拿起你喜歡的品牌在前臺進行付款。

第二種選擇：你看離球賽開始時間還有段時間，你可以去家附近的家樂福順帶買點零食，你到了家樂福按照指示牌找到賣酒水的貨架，然后不斷對比啤酒的品牌和價格，選定之后，你又按照指示牌找到賣零食的貨架，然后選擇了幾袋薯片，然后進行結算。

第三種選擇：你很懶，只想在沙發上面躺尸，這時你可以打開外賣APP在叫做搜索框的物件上面 搜索啤酒，然后你在商品里面挑選各種啤酒，完了之后你根據和你距離的遠近進行下單，等待送貨上門。

以上描述了用戶在不同場景選購啤酒的方式，也是面對商品過載情況下用戶怎么對商品進行挑選的場景。

• 在7-11店鋪由于店鋪不大，店鋪成列的SKU大致上千種，用戶很容易憑借自己的瀏覽習慣找到啤酒這個商品。
• 到了家樂福，如果你不是經常去逛超市很難通過瀏覽方式在數萬的SKU種找到啤酒，但是用戶可以通過商品類目來找到啤酒。
• 而進入電商類網站，里面的SKU都是千萬級別的，用戶只能通過搜索來獲取到啤酒。

上述例子是針對目的明確的用戶的。但是生活中很多用戶是目的不明確的，所以才有逛街這個詞，逛街和逛超市可能就是因為無聊，為了打發時間才有的行為。

那超市如何使這些人消費呢？

既然你不知道買什么，我就告訴你需要買什么？用各種促銷、各種打折、各種堆頭推薦商品，同時在你購買商品附近放和這個商品相關的商品。

再比如，以前聽音樂是用Walkman，用的是卡帶和CD，現在一個手機音樂就涵蓋了很多音樂，但問題來了——這么多音樂你要聽哪些??？

如果身邊有朋友你可以問你朋友，但是有時候朋友推薦的并不是你喜歡的，而且你不可能時時刻刻都去問朋友吧？

在信息泛化和過載的時代，你需要這樣一款懂你的工具，比如你在想聽歌的時候，提供你喜歡的音樂，當你想去一個陌生地方的時候為規劃好路線，這個工具就叫推薦系統。

推薦系統是信息過濾系統的一個子類，它根據用戶的偏好和行為，來向用戶呈現他(或她)可能感興趣的物品。推薦系統會嘗試去預測你對一個物品的喜好，以此向你推薦一個你很有可能會喜歡的物品。

推薦系統滿足的需求就是在海量信息中幫你過濾你不感興趣噪聲，為你精確鎖定你希望得到的有價值的信息。為用戶過濾噪聲搜索引擎也能提供，幫助用戶精確鎖定信息。

而搜索引擎于推薦系統的區別在于，搜索引擎是用戶主動獲取，用戶有明確關鍵詞來描述自己想要的。

推薦系統不需要用戶有明確需求，而會根據用戶標簽，歷史行為為用戶主動推薦內容。

小結一下，推薦系統是一套信息過濾系統，通過推薦算法將用戶和物品聯系起來，它能夠在信息過載的環境中幫助用戶找到感興趣的信息，也能夠推送信息給感興趣的用戶。

二、商品推薦目的

1. 想讓用戶買什么

正如上面過所說， 很多用戶過來就是無聊打發時間，也不知道想要買什么，就是上來看看。這個場景主要表現在新平臺的用戶只是過來看看上面的商品是否和自己的預期匹配，這個預期首先拋開產品功能上體驗，從商品角度來說包括商品的豐富程度，商品價格優惠程度；老平臺的用戶過來只是為了打發時間，看看平臺有沒有推薦自己感興趣的商品。比如各種秒殺活動、團購活動、搜熱、分類上熱門搜索、猜你喜歡等等。電商常用這些做法來表達自己平臺的主張，平臺想要用戶買什么。

2. 用戶可能想買什么

給用戶推薦用戶真正感興趣的商品，個性化進行推薦。用戶使用的時間越長，推薦的越精準。偏好的推薦本質上是一種排除系統，主要流程包括收集-分析-匹配-推薦。

為什么說用戶使用時間越長推薦越精準，通過用戶的使用，系統在不斷收集用戶的行為信息（瀏覽記錄、搜索記錄、購買記錄、收藏記錄、評價記錄及用戶基本信息），再通過收集到用戶行為記錄分析用戶購買偏好，建立用戶畫像；匹配相同偏好的用戶發現其偏好的商品，匹配相似度高的商品；推薦通過算法將匹配相似度高的商品在前臺進行呈現。個性化推薦通過計算商品和用戶特征，最終實現“千人千面”的商品推薦方式。

3. 更好的挖掘長尾商品

80/20法則無處不在，尤其是傳統零售企業需要考慮商品的流轉率，都希望每個商品都被銷售一空，因為如果滯銷貨架的成本會壓死零售商。但是互聯網的出現在試圖打破這個法則，這些長尾商品的總銷售額是個不可小覷的數字，甚至超過主流商品。主流商品代表大多數用戶的需求，而長尾商品則代表小眾用戶個性化需求。通過推薦系統發掘用戶興趣，發掘長尾商品創造更高的銷售額。

為什么今日頭條，抖音都說有毒，不知不覺一刷就是好幾個小時，背后的始作俑者就是推薦算法，而這種推薦算法就是更懂你。今日頭條和抖音這類平臺的崛起讓人意識到推薦算法的強大，而最先運營推薦算法的是在電商領域，如果說新聞類推薦不精準用戶最多看其他新聞，電商變現鏈條路徑比較短，如果推薦算法不完善流失的可是真金白銀。

三、推薦算法數據獲取

個性化推薦算法不是憑空產生的需要基于用戶的行為進行數據分析設計的，用戶行為在個性化統計中有兩種方式顯性和隱形。

顯性反饋行為就是讓用戶明確表達對物品的觀點，比如對音樂的喜歡和不喜歡，對電影的評分，對小視頻的點贊等，這些都是設計人員特意讓用戶表達自己的觀點。

與顯性相對的就是隱性反饋方式，這種方式不需要用戶特地的反饋自己的偏好，而是通過用戶行為模型進行采集和分析，比如用戶對商品的瀏覽行為。隱性反饋和顯性反饋需要的數據量更好，存儲方式分布式存儲，對算法模型要求更高。

通過兩種反饋方式后，我們可以得出用戶給出的反饋結果，而結果分為正向的結果和負向的結果，兩個結果就不做詳細解釋，從字面意思就可以看出來。需要說明的一下隱性反饋一般沒有負反饋，隱性反饋都是從日志數據中得到用戶行為的結果。

下面我們來對電商推薦系統做一下簡單的介紹。

四、常規推薦法

這種方法和線下商超的手法如出一轍，比如banner廣告、熱銷排行榜、商家促銷、秒殺、精品推薦等等，都是給予平臺運營人員或者買手主觀進行推薦，并不會因為用戶不同而產生差異，而推薦的條件取決于運營人員經驗、商家的贊助（花錢）、銷售數據、評價數據、瀏覽數據、收藏數據等這些因子的影響。

目前電商紛紛轉型內容電商和社交電商，通過PGC或者UGC生成內容來吸引消費者的眼球，留住用戶時間從達到促銷的目的。

內容形式有長圖文、視頻推薦、直播推薦等多種形式，在內容中嵌入商品購買入口，在瀏覽時可以直達商品，增加購買轉化率。

而社交電商主要是分銷形式，一說分銷大家都懂，他那是沖著消費去的嗎？

常規推薦的問題也很明顯，爆款數量畢竟是少數，運營人員推薦的商品用戶不一定會買賬，這樣用戶流失率會比較高。這就催生出了第二種推薦方式：個性化推薦法。

五、個性化推薦法

個性化推薦通過采集用戶信息，商品信息以及用戶行為數據，通過分析和整理后過濾掉的商品數據，利用推薦算法的規則和排序方式給用戶進行推薦商品的呈現，從而達到個性化的推薦。而用戶對呈現結果的反饋比如點擊，瀏覽時間，收藏，購買，作為依據來不斷優化推薦系統。

常見的個性推薦算法主要包括：基于內容個性推薦、利用用戶行為的協同過濾、基于人口建模的推薦。在現實情況下，推薦算法不會單一的存在，而是多種推薦方式進行融合，實現個性化推薦的目的-用戶可能想買什么。

1. 基于內容的推薦（CB，Content-Based Recommendation）

CB基于內容相關性構建商品模型推薦，利用內容本身的特征進行推薦。將商品相關的類目、品牌、商品屬性、商品標題、商品標簽等相似內容推薦給用戶。內容的推薦是非?；A的推薦方法，計算的是內容本身的相關程度。

比如用戶在淘寶上瀏覽過男士襯衫，在淘寶的發現好貨就會給你推薦各種各樣的男士襯衣、男士T恤、男士西裝等，在通過你繼續訪問男士七分袖襯衣，系統又獲取到這個產品屬性，會繼續給你推薦七分袖的亞麻襯衣、七分袖麻料襯衣、五分袖襯衣、男士七分袖T恤等等。這就相當于在商場身邊有個貼身的導購，你每試穿一次衣服又為你推薦一系列相關的衣服一樣。

CB的基本實現原理

（1）提取商品特征

這個可以根據商品的一些特征比如類目，屬性，品牌，標題，標簽，商品組合，評分等因子進行提取。

（2）計算用戶喜歡的特征

根據用戶以前的喜歡的和不喜歡的商品的特征進行計算，得出用戶喜歡的特征。用戶的特征由相關關鍵字組成，可以通過TF-IDF模型計算用戶行為的關鍵字，從而得出用戶的特征。

（3）相關商品推薦給用戶

根據用戶喜歡的特征，去商品庫進行選擇，找出相關性最大的多個商品進行推薦。因為提取出了商品的特征，通過計算得出了用戶喜歡的特征，可以通過余弦相似度計算出商品間的相識性給用戶進行推薦。簡單介紹一下余弦相似度，通過計算兩個向量的夾角余弦值來評估他們的相似度。如圖所示，夾角越小，兩個向量越類似；夾角越大，兩個向量越不同。

（4）最后根據用戶反饋的結果更新用戶喜歡的特征

用戶的喜好是不斷變化的，今天可能我關注襯衣，明天我又想看手機，所以系統需要根據用戶喜歡的變化更新用戶的特征。

CB算法的優點：

• （1）實現起來比較簡單，不需要復雜的算法和計算，很快可以實現商品的相關性。
• （2）推薦結果容易被用戶感知，用戶行為很快被計算出來，從而實現推薦
• （3）結果可解釋，很容易找到可解釋的相關特征。
• （4）新的商品也可以馬上被推薦

CB算法的缺點：

• （1）無個性化，無法挖掘用戶的潛在興趣
• （2）分析特征有限，很難充分提取商品相關性
• （3）無法為新用戶產生推薦，在用戶行為較少時推薦不精準。

2. 基于協同過濾的推薦

通過基于內容的推薦算法只能基本滿足用戶的推薦需求，但是要做到平臺千人千面還是要有一定的距離。所以我們需要通過算法自動發掘用戶行為數據，從用戶的行為中推測出用戶的興趣，從而給用戶推薦滿足他們興趣的物品。

而基于用戶行為分析的推薦算法是個性化推薦系統的重要算法，從而學術界一般將這類算法叫做“協同過濾算法”。協同過濾算法是指通過用戶行為分析，不斷獲取用戶互動信息，是用戶的推薦列表不斷過濾掉自己不感興趣或者不匹配的商品，讓結果不斷提升用戶的滿意度。

簡單來說，這種方法不單單只是根據自己的喜愛，而且還引入了“鄰居”的喜好來進行推薦。這樣推薦更加充分，而且可以深入挖掘用戶的潛在的興趣。

上面說過協同過濾是基于用戶行為分析，就需要引入一下參數進行計算：

• 用戶標識
• 商品/物品標識
• 用戶行為的種類（包括瀏覽，點贊，收藏，加入購物車，下單等）
• 用戶行為的上下文（包括時間、地點等）
• 用戶行為的權重（包括瀏覽時長，購買頻次等）
• 用戶行為的內容（比如點評的分值，評論的文本內容等）

基于協同推薦業界得到最廣泛的算法是基于領域的方法，然而其又細分為了兩塊——基于用戶的協同過濾稱為User-based CF 和基于商品的協同過濾稱為Item-based CF。下面我們別對這兩者進行說明。

（1）基于用戶的協同過濾User-based CF

系統通過分析用戶和其他用戶的特征值，找出相近的特征用戶，然后根據特征用戶的喜好商品，從中找到一些商品推薦給該用戶。

以閱讀為例，比如用戶A一直看產品經理方面的書籍，這樣系統可以找到和他有類似興趣的用戶，然后把這些用戶喜歡看的書（同時這些書用戶A沒有看過的）推薦給用戶A。簡言之就是計算出兩個用戶的相似度，然后給A推薦用戶B喜歡的東西。

User-based CF基本實現原理

1）找到和目標用戶興趣相似的用戶

先將用戶行為進行定義分值，比如從瀏覽，收藏，加入購物車，購買，評分等幾個行為進行定義分值，然后根據用戶對商品的行為進行打分，通過余弦相似度方法進行計算興趣相似的用戶。

在這里舉個栗子吧：

我們先定義一下用戶1001-1006個用戶，用戶對于商品行為類型為下表幾種瀏覽，收藏，下單等，同時我們需要對用戶行為賦予不同的權重分，比如收藏為0.5分，整體的行為分值表如下：

然后我們假設用戶在不同商品下的用戶行為進行統計，得出以下用戶對于商品的偏好程度的得分表，其中表格中的數值為用戶對商品的感興趣程度。

我們根據用戶余弦相似度進行計算相似的用戶。具體公式如下：

我們假設計算 1001和1002 兩個用戶的相似程度，并將數據帶入公式中：

cos（1001，1002）= 2*3+4*5+5*5+5*1 / √22+42+52+52 * √32+52+52+12 = 0.863

通過計算我們得出1001和1002用戶余弦相似度約等于 0.863，相似值得范圍從-1到1，1表示用戶之間完全相似，0表示用戶之間是獨立得，-1表示兩個用戶之間相似度正好相反，在-1到1之間得值表示其相似和相異。而我們剛才得出得指是0.863表示用戶之間得相似性非常高。 同理我們可以計算出1001用戶和其他用戶得相似值。

2）將集合中用戶喜歡的且目標用戶沒有聽說過的商品進行推薦

計算出來用戶相似度后，在相似度高的用戶集合中選擇相關商品，將目標用戶沒有瀏覽過的商品進行推薦。

還是延續之前那個栗子，我們需要給1001用戶推薦沒有瀏覽過的商品，我們將和1001相似值較高的用戶進行選擇，假設我們設定一個閾值比如0.85，相似度0.85以上用戶的喜好商品進行推薦，但是同時涉及到推薦的排序的問題。我們根據以下公式進行計算推薦：

（其中S(u，k)包含和用戶u興趣最接近的k個用戶，N（i）對物品i有過行為的用戶集合，通過W是用戶U和用戶V的相似度，R表示用戶V對物品興趣)

我們需要先計算出與1001相似得用戶，通過計算得出1002-1006用戶的相似值分別是0.863，0.875，0.779，0.812，0.916。這樣系統可以將“鼠標”推薦給用戶1001.我們需要去閾值在0.85以上的用戶，分別是1002，1003，1006，所以可以給用戶1001推薦自拍桿和白酒兩種商品，我們可以通過上面的公式計算用戶對這兩者感興趣程度然后進行排序。

• 自怕桿=0.863*1+0.916*8=8.191
• 白 酒 =0.863*3=2.589

這樣我們可以將自拍桿和白酒的排序，將自拍桿排列在白酒的前面。

（2）基于商品的協同過濾Item-based CF

這種算法是亞馬遜最先提出來的，系統通過分析用戶標簽數據和行為數據，判斷出用戶喜好商品的類型，然后從這類喜歡共同類型商品的用戶中挑選一些類似的商品推薦給該用戶。

比如，該算法會因為你購買過“佛珠手串”而給你推薦“茶具”和“檀香”。該算法目前在電商領域使用最多的算法。很多朋友會覺得item CF算法和基于內容的推薦算法很類似，CF算法并不基于商品的屬性和類目進行計算相似度，他主要通過分析用戶行為來記錄內容之間相關性。所以算法不會計算 佛珠手串和茶具，檀香的相似度，而是喜歡佛珠手串的用戶也喜歡茶具和檀香，系統就判斷手串和茶具、檀香之間有相關性。

Item-based CF基本實現原理

1）計算內容之間的相似度

計算商品間的相似度同樣用到的是余弦相似度的計算方法，兩個商品產生相似度是因為他們共同被很多用戶喜歡，商品相似度越高，說明這兩個商品被很多共同喜好的用戶所喜歡。

這里同樣用到了余弦相似性來求物品的相似度，但是公式略有不同，其中，|N(i)|是喜歡物品i的用戶數，|N(j)|是喜歡物品j的用戶數，|N(i)&N(j)|是同時喜歡物品i和物品j的用戶數。

舉例說明，首先我們假定有3個用戶，分別為A、B、C，用戶A購買A,B兩個商品，用戶B購買了ABC三個商品，用戶C只買了商品A。

• 物品A：用戶A 用戶B 用戶C
• 物品B：用戶B
• 物品C：用戶A 用戶B

根據上面公式進行計算，我們先進行物品A、物品B、物品C之間的形似度計算

• 物品A/物品B = 1 / √3*1 = 0.578
• 物品B/物品C = 1 / √2*1 = 0.702
• 物品A/物品C = 2 / √3*2 = 0.816

從以上的結果可以看出來，物品A和物品C之間相似度最高，我們需要推薦商品給用戶C時，我們首選將物品C推薦給用戶。

2）根據用戶的偏好，給用戶生成推薦列表。

計算完商品相似度，我們需要把商品推薦給用戶。如果用戶近期有多個行為記錄，我們先計算每條行為記錄的相似值，然后可以得出多個推薦列表，我們需要將這些列表做相似值的去重和排序，需要注意的是如果重復記錄在單個推薦列表相似值不高，但是多條推薦列表都有涉及我們需要提升其權重。然后根據相似值進行排序展示。

UserCF與ItemCF算法的比較

UseCF：

適合于用戶量較小或者小于商品量的場景，如果用戶量過大在計算用戶間相似度上代價很大。時效性比較強，用戶個性化不太明顯的領域，當用戶新行為產生后不一定導致結果的立刻變化。新用戶入駐后產生少量行為后，不能立刻對他進行推薦。UserCF相似表一般都是每隔一段時間進行離線計算的。新商品上線后，有用戶對它產生行為將立刻推薦給其他相似度高的用戶。缺點是很難解釋用戶推薦的理由。

ItemCF：

適用于物品數量少于用戶量的場景，物品數量很多則計算相似度上運力要求很高。同時適用用戶個性化需求比較強、物品豐富的場景。用戶一旦有了新的行為一定會導致推薦結果的變化，新用戶行為發生變化將立刻向其推薦該物品相似的其他物品。但如果有新商品上線需要離線更新商品的相似度表后，才能進行推薦。

3. 基于人口建模的推薦

基于人口統計學的推薦是比較容易實現的推薦算法。該算法僅使用用戶的基本信息，比如年齡、性別等，衡量用戶的相似性，將與當前用戶相似的其他用戶所偏好的物品推薦給當前用戶。

• 用戶A是名女性，年齡介于20~25歲，偏好物品A；
• 用戶B是名男性，年齡介于40~45歲，偏好物品B、物品C；
• 用戶C是名女性，年齡介于 20~25歲；

我們已為每位用戶建立了profile（用戶畫像），現在我們要給用戶C進行推薦。

基于profile和合適的距離度量計算用戶的相似度， 我們發現用戶A與用戶C最相似，可將用戶A偏好的物品A推薦給用戶C。

基于人口統計學的推薦特點：

（1）只需要用戶基本數據信息就可以進行推薦，不涉及商品的歷史偏好數據，沒有冷啟動的問題。但同時用戶某些信息不好獲取比如年齡這類隱私的數據。

（2）不依賴商品本身的數據，適合任何領域。因為如此對于用戶分類比較粗糙，不適合精度要求高的領域，比如圖書，電影和音樂，在初期的電商類平臺可以做簡單的推薦。

六、基于知識的推薦系統

協同過濾系統需要用戶的行為數據作為信息源，向用戶推薦商品，而不需要輸入其他的附加信息?；趦热莸耐扑]系統主要應用的數據源包括類別和屬性信息，還有從商品標題中獲取的關鍵詞。

這兩種方法的優勢在于能以相對較小的代價獲取這些數據。但是有些產品領域，用戶希望能明確定義他們的需求，而這些明確化的需求的處理并不是協同過濾和基于內容的推薦的系統所擅長的。

基于知識的推薦系統可以幫我們解決上面的問題。它不需要評分數據就可以進行推薦，也不存在冷啟動的問題。

基于知識的推薦系統在物品購買頻率很低的情況下特別適用。例如房屋、汽車、金融服務甚至是昂貴的奢侈品。在這種情況下，推薦的過程中常常缺乏商品的評價。推薦過程是基于顧客的需求和商品描述之間的相似度，或是對特定用戶的需求使用約束來進行的。它允許顧客明確地說出來他們想要什么。好像身邊有個專屬的顧問，對于買車、買房、金融理財產品他們能夠根據用戶的需求推薦合適的產品。

基于知識的推薦系統，一般以會話方式進行交互，一般的交互過程如下：

• a.??用戶需要按要求一次性或者逐步鍵入自己的需求
• b.??系統收集到足夠多有關用戶需求和偏好的信息后，系統匹配推薦一部分產品
• c.??用戶可以根據自己的要求修正這些需求

這種方式類似搜索，只是和搜索不同的是不需要鍵入自己需求，而是系統會提供相應的選項給用戶進行選擇。這種方式看似比價簡單，但是實際上需要考驗更加精密的交互模式和專家提供的選項支持，同時也是考驗從業在某個領域的深度。

如果產品庫里面沒有滿足用戶需求的產品，系統需要智能的給定解決方案，比如主動提供某些的候選結果。

七、寫在最后的冷啟動

通過上面的介紹相信大家對推薦系統有一定的了解，推薦系統需要有用戶的歷史行為和興趣預測用戶的行為和行為，因此需要借助大量用戶的行為數據來鑄件推薦系統。但是很多時候電商系統剛上線沒有大量的用戶行為數據作為支撐，在這樣的情況下怎么樣設計個性化推薦系統同時讓用戶對推薦的結果滿意，這就是冷啟動的問題。

1. 冷啟動主要涉及到3類問題

用戶冷啟動

當新用戶來到電商系統時，因為系統沒有他的行為數據，所以無法給他進行個性化推薦。用戶冷啟動主要解決如何給新用戶做個性化推薦的問題。

物品冷啟動

當新品上架時，如果更好將商品推薦給它感興趣的用戶。物品冷啟動主要解決新品上架推薦的問題。

系統冷啟動

系統冷啟動主要解決一個新的電商網站設計了個性化推薦系統，讓系統上的商品匹配相應的用戶，讓系統用戶體驗到個性化的推薦服務。

2. 解決方案

針對上面3個問題，有不同的解決辦法，一般來說可以參考一下解決方案：

1）提供非個性化的推薦服務，比如熱門推薦，熱銷排行等，用戶根據系統推薦的商品，進行用戶的行為，收集到用戶行為數據后，切換為個性化推薦。

2）利用基于人口建模的推薦，盡可能多的獲取用戶的個人信息，根據用戶的個人信息，分組進行推薦。比如獲取用戶的性別，年齡信息后，給用戶推薦相應的的商品，當然這個商品的顆粒度很粗，但是從過程中可以獲取到用戶的行為信息。

3）需要用戶的社交網絡賬號登錄，導入用戶在社交媒體的喜好，然后根據用戶喜歡進行推薦商品。

4）在用戶登錄時需要用戶對一些物品進行反饋，收集用戶對這些物品的反饋，推薦與這些物品相似的商品。比如閱讀APP常用的了解用戶對那些類別的書籍剛興趣，微博上面注冊需要關注某些用戶等。

5）對于新新上架的商品，明確商品的類目和屬性，根據商品的這些信息匹配找到相類似的物品或者對應有這類喜好的用戶。

6）在系統冷啟動是，可以引用專家的知識進行標注，從而建立物品的相關度表。

以上和大家簡單的聊了聊關于常用的推薦算法，目前推薦算法也在與時俱進，可能我說的都是錯的，以后會有更好的推薦方法。作為產品經理對于技術這塊個人覺得了解其實現的原理即可。希望本文對大家有所幫助。

本文由 @產品_空 原創發布于人人都是產品經理 ，未經許可，禁止轉載。

題圖來自 unsplash，基于 CC0 協議