猜你喜欢之推荐玩法怎么实操去算？

1、 随着算法技术的发展，各大平台对用户推荐的算法是越来越精准了，我们商家最关心的是自己的产品怎么做才能被系统推荐给用户呢？这里我将从算法的逻辑与运用这两个方面来为大家解开疑问。

一、推荐算法的逻辑：这里我们抛开专业、繁琐的技术与公式来介绍各平台常用的、通俗易懂的、经典的基础推荐算法。（此次我们介绍的算法案例与逻辑并不能等同于理解是天猫平台的算法，各平台的算法差异与难度远比基础算法复杂），本篇是为了帮助大家理解算法流量竞争的基础规律，获得提升利润的一把秘钥。

2、特征关系推荐这种推荐算法的逻辑是对用户先做一个特征关系画像，再去匹配有此特征关系画像的商品。也就是通过用户的特征关系作为牵线，相互匹配。※用户特征关系※商品特征关系※用户与商品的推荐匹配机

3、1）用户特征关系画像：为了让大家能够更具象的理解，下面会用基础的矩阵方式来介绍下这种算法的逻辑。用户对产品理解的特征关系做出分类，如“英伦、古典、简易、朋克、中性......等等”其实可以划分出非常多的特征关系，这里只列举5类，方便我们简化后面的矩阵计算。一个用户对商品的特征关系偏好程度是不同的，可以用数字趋近1代表很喜欢，趋近0代表不喜欢。我们假设挑选3个用户“小明、小方、小牛”，用矩阵的形式表达3个用户对商品特征关系的画像。用户-特征关系矩阵：用户 英伦 古典 简易 朋克 中性小明 0.6 0.9 0.1 0.1 0.1小方 0.1 0.2 0.6 0.8 0.8小牛 0.3 0.7 0.4 0.2 0.2

4、2）商品特征关系画像：我们对已划分出的特征关系，对商品库中不同的商品做特征关系的画像，这里我们只列举5个商品，下面我们用矩阵的形式表达。商品-特征关系矩阵：商品 英伦 古典 简易 朋克 中性商品A 0.2 0.5 0.4 0.9 0.1商品B 0.1 0.6 0.6 0.3 0.8商品C 0.6 0.1 0.4 0.2 0.2商品D 0.8 0.3 0.4 0.2 0.2商品E 0.6 0.3 0.4 0.2 0.9

5、3）用户与商品的推荐匹配：用户要与商品库中商品做特征关系匹配计算，哪个商品的匹配值最大说明两者特征关系最相近，那么就推荐值最大的这个商品给到用户。例如用户“小明”与“商品A”的匹配计算，相同特征关系数值相乘再求和：0.6*0.2+0.9*0.5+0.1*0.4+0.1*0.9+0.1*0.1=0.71用户 英伦 古典 简易 朋克 中性小明 0.6 0.9 0.1 0.1 0.1商品 英伦 古典 简易 朋克 中性商品A 0.2 0.5 0.4 0.9 0.1用户“小明”对5个商品特征关系匹配计算结果为商品D值最大，说明两者特征关系最相近，因此就会给用户推荐商品D：用户 英伦 古典 简易 朋克 中性小明 0.6 0.9 0.1 0.1 0.1商品 英伦 古典 简易 朋克 中性 分值商品

A 0.2 0.5 0.4 0.9 0.1 0.71商品B 0.1 0.6 0.6 0.3 0.8 0.77商品C 0.6 0.1 0.4 0.2 0.2 0.53商品D 0.8 0.3 0.4 0.2 0.2 0.83商品E 0.6 0.3 0.4 0.2 0.9 0.78同理用户“小方”“小牛”都需要对库中5个商品做匹配计算，根据计算结果你是否知道该如何给小方和小牛推荐商品呢？小明 小方 小牛商品A 0.71 1.16 0.77商品B 0.77 1.37 0.91商品C 0.53 0.64 0.49商品D 0.83 0.7 0.69商品E 0.78 1.24 0.77这个特征关系值是如何量化给定的呢？特征关系值可以通过用户的行为数据来做推算，（如：直接购买=5，商品加购=4，商品收藏=3，回访=2，访问深度=1，停留时间=-1，直接跳失=-5），如何具体推算特征关系的分值，这里就不再深讲，核心是理解特征关系推荐算法的逻辑。

6、相似用户推荐这种推荐算法的逻辑是以用户的行为数据，找到相似的用户，通过相似人群喜好的商品来为用户推荐。算法主要是“多维空间中目标用户与用户群向量夹角的余弦（余弦相似度）”。为了能具象理解，假设现在有三个商品“商品A、商品B、商品C”,我们把三个商品看成三个维度：X轴、Y轴、Z轴。当用户对商品产生行为就可以在三个维度轴做量化（比如：直接购买=5，商品加购=4，商品收藏=3，回访=2，访问深度=1，停留时间=-1，直接跳失率=-5），这样就可以通过用户行为数据在这个三维空间里表达出一个向量，而这个向量就可以代表用户的喜好。以上我们了解了三个商品（三维空间）通过向量来表达用户的喜好，那么在N多商品的多维空间下，当不同用户对不同商品发生了行为，会产生不同用户的向量表达，根据余弦公式，夹角余弦=向量点击=向量点积/(向量长度的叉积)，找到要推荐的目标用户与之向量夹角最小的用户。夹角越小说明喜好越接近，反之表示两个人喜好很大不同。找到要推荐的目标用户与之向量夹角最小的用户，那么当这个用户购买或偏好了某个商品，自然就可以为目标用户推荐相同的商品了。

7、已购商品推荐这种推荐算法的逻辑是以目标用户对某个商品产生的行为偏好为基准，找到这个商品用户群行为关联度最大的其他商品，推荐给目标用户。简单的理解就是和你买了相同的商品的人，大多数人又买了什么就给你推荐什么。仍然假设有三个商品“商品A、商品B、商品C”，四个用户“小明、小方、悟净、小牛”，其中小明、小方、悟净都对商品产生了行为，而小牛只对商品A做了行为，那么如何给小牛做商品推荐呢？下面用矩阵的形式来说明：这里用户的行为量化仍然可以理解为：直接购买=5，商品加购=4，商品收藏=3，回访=2，访问深度=1，停留时间=-1，直接跳失=-5商品A 商品B 商品C小明 5 -2 2小方 2 1 4悟净 1 3 4小牛 3 ？ ？确定了目标用户“小牛”对“商品A”行为值，计算出“小明、小方、悟净”用户商品A与商品B的偏好（A-B），商品A与商品C的偏好（A-C），算出商品A、商品B偏好均值，在计算目标用户商品A与商品B、商品C的均值偏好，值越大反映出人群用户对两个商品认为关联度相对越强，因为最终会推荐小牛商品C。商品

A 商品B 商品C小明 5 -2 2小方 2 1 4悟净 1 3 4小牛 3 ？ ？商品A-B 商品A-C小明 7 3小方 1 -2悟净 -2 -1均值 2 0商品A-B均值 商品A-C均值小牛 3 1 3

8、二、推荐算法应用：通过对以上三种算法的逻辑简述，我们可以发现推荐算法解决的本质问题就是在连接用户的需要和想要。而算法如何定义这个用户是否需要和想要这个商品，会根据这个用户过往的用户行为，通过行为画像将用户归类到有相似画像的人群。相似人群对商品的偏好反馈来判断这个用户的需要和想要。针对推荐算法逻辑的本质我们是否需要更核心关注这三个点。1、很多店铺觉得不管是不是自己的人群，是流量都想要去竞争，对于大多数品牌和竞品都是有特定的画像人群的，如果你没有认真去分析自己的人群画像，或者只知道简单的人群画像，而盲目去竞争流量，导致自己店铺数据拉低，如加购率、收藏率、停留时间、评价、转化等。那么推荐算法在给某个用户匹配商品时，如果这个用户在平台的画像很清晰，你的店铺行为数据的反馈就很难和有明确画像人群的店铺去竞争，因为店铺前期要建议深入分析第含浦人群特征，流量的精准，回报率也相对会提高。

9、挖掘人群兴趣在引流时，任何能对用户产生偏好的潜在元素，建议都应该认真把控。钻展和直通车通过更改标题，和不同的创意，都会对转化率、点击率有所改变。不同的元素都会带有人群偏好，而你想要什么样的人群，更应该深入挖掘你的人群兴趣点。3、货品体系组建很多店铺年年都在打爆款，却不能持续发展。建议通过竞品深入人群画像，针对人群画像做出更符合人群画像的关联商品。这里所说的人群画像，不单单是年龄，消费层级、地域及职业等，可以更深入商品元素特征来做人群画像，如何去组建货品体系，三种逻辑算法其实每一个都是一种方法，可以再回过头仔细看下三种算法的逻辑是怎么挖掘货品的。4、在这种搜索下可以预见的会发生几个事实：1、老客户的重要性将被提到首位。 个性化搜索将会优先展示当前客户过往的浏览痕迹，浏览习惯。与之对应的就是店铺的回头客。2、新店小店。 这种规则下，新店小店将更难以生存。3、新品滞销品。 这种规则下，新品的导入将更加困难，滞销品将会加速灭亡。我们完全可以想象得到：新店小店难以存活会加剧平台两级分化；新品滞销品难以展现会阻碍创新；将买家思想视为主导将会使市场变得更加无序化。

10、推荐玩法是一种目前相对比较优秀的系统的一种算法，比市面上其他的玩法都相对来说高级一些，猜你喜欢的算法大致就是这样。喜欢的朋友可以关注我