很多人在各大平台选购商品的时候，时常发现平台有时候比我们自己还了解自己，推荐的商品正是我们所需要的，帮助我们快速买到心仪的商品。这种神奇的契合背后就是靠一套商品推荐算法系统。

商品推荐系统通过个性化推荐，可以帮助顾客快速找到感兴趣的商品，从而提高产品的转换率。目前，普遍使用的推荐算法是基于协同过滤和基于机器学习这两大类。通过下面的介绍，能够快速了解几个推荐算法的原理。

1 商品推荐分类

首先，商品推荐可以分为个性化推荐和大众化推荐。

大众化推荐是在不考虑顾客自己兴趣的情况下，给顾客推荐大多数顾客感兴趣的商品，比如基于商品的协同过滤算法。

个性化推荐又可以分为被动推荐和主动搜索两类。主动搜索是知道顾客的喜好，根据顾客的喜好推荐商品的一类算法，比如基于商品的相似性推荐，通过顾客的搜索关键词推荐归类商品。被动推荐是本文主要介绍内容，其核心是在不知道顾客兴趣的情况下，猜测顾客感兴趣的商品，从而给出推荐。

下面介绍的User CF（基于顾客的协同过滤算法）、Item CF（基于商品的协同过滤算法）、逻辑回归、矩阵分解都属于被动推荐。

2 特征数据

用于商品推荐算法的特征数据主要包括顾客画像和商品画像，通俗点说就是顾客标签数据、顾客行为数据和商品属性数据。

比如顾客标签数据包括性别、年龄、职业等；顾客行为数据包括评分、分享、收藏等；商品属性数据包括类目、价格、尺寸等。

接下来，小编给大家介绍几种常见的算法。

User CF方法就是基于顾客对商品的偏好找到相似顾客，给顾客推荐相似顾客购买而自己未购买的商品。

例如，顾客1与顾客4购买过的相同商品个数最多，而顾客1没有购买过商品b，那么就可以给顾客1推荐商品b。

注：以上表格旨在举例说明User CF算法的核心原理，表格中的数据是顾客之间相似度的近似值，未考虑顾客购买商品总量的影响，即下面计算公式中分母置为1所得。

举例：假设u为顾客1，v为顾客4，这里不考虑顾客购买商品总量的影响，则r = 3/1=3。

换言之，其含义就是顾客1和顾客4购买的相同商品数为3。

算法涉及的具体公式如下:

注：M(u)、M(v)分别代表顾客u和顾客v购买的商品集合，S(u,k)代表与顾客u最相似的k个顾客，U(i)代表购买过商品i的顾客集合。

此处展示的仅以购买过的商品作为顾客相似度的计算依据，还可以增加顾客画像来计算顾客相似度。

Item CF方法基于商品被顾客的喜好找到相似商品，给未购买相似商品的顾客推荐相似商品。例如，商品a和商品d被顾客同时购买过的次数最多，而顾客2购买过商品d却没有购买过商品a，那么可以给顾客2推荐商品a。

注：以上表格旨在举例说明Item CF算法的核心原理，表格中的数据是商品之间相似度的近似值，未考虑商品被购买的顾客总量的影响，即下面计算公式中分母置为1所得。

举例：假设i为商品a，j为商品d，这里不考虑商品被购买的顾客总量的影响，则r = 3/1=3。

换言之，其含义就是同时购买商品a和商品d的顾客数为3。

算法涉及的具体公式如下：

注：U(i)、U(j)分别代表购买商品i和商品j的顾客集合，S(i,k)代表与商品i最相似的k个商品，M(u)代表顾客u购买的商品集合。

逻辑回归方法将商品推荐转变成二分类问题，以顾客是否购买某商品作为标签Y，以商品画像和顾客画像作为特征X，预测顾客对未购买过的商品的购买意愿。

Sigmoid函数也叫Logistic函数或者S型函数或者S型生长曲线，取值范围为(0,1)，可以将一个实数映射到(0,1)的区间，可以用来做二分类，常被用作神经网络的激活函数和逻辑回归。

矩阵分解方法将已知的顾客与商品的兴趣矩阵分解为顾客隐特征矩阵和商品隐特征矩阵，从而推算出未知顾客与商品的兴趣度。

例如，如下图所示，将4 x 5维的兴趣矩阵分解成隐特征数据为2的4 x 2维顾客隐特征矩阵和5 x 2维商品隐特征矩阵，那么顾客2对商品a的兴趣度为：[1.2 0.9] x [0.5 1.2]T = 1.68。

注：p_ij代表顾客i对商品j的兴趣度，u_i代表顾客i的隐特征向量，v_j代表商品j的隐特征向量，K代表商品已被顾客评分过的集合。

商品推荐是推荐场景的一个应用，背后的算法是通用的。

该推荐算法适用于TO B领域的HR系统简历推荐、优质供应商推荐、智慧零售的商品推荐、金融行业的理财产品推荐等应用场景，并已在星空零售开发了应用，具体案例和使用方法可以查看下方文章。

期待该算法在苍穹平台大放异彩~

#相关推荐#

# 教你玩转“产品数据入仓”！

更多精彩内容，“码”上了解！↓