推荐引擎如何工作？有什么好处？

什么是产品推荐？

购物是每个人的生活必需品，当我们购物时，肯定是我们喜欢的产品或我们的朋友喜欢的产品。我们倾向于购买人们推荐的产品，因为我们信任这个人。如今，在数字时代，您访问的任何在线商店都使用某种推荐引擎。

如果设置和配置正确，它可以显着提高收入，点击率，转化次数和其他重要指标。此外，它们还可以对用户体验产生积极影响，这转化为难以衡量但对在线业务非常重要的指标，例如客户满意度和保留率。

所有这些只有通过推荐引擎才能实现。推荐引擎基本上是数据过滤工具，利用算法和数据向特定用户推荐最相关的项目。或简单来说，它们只是“商店柜台人员”的自动化形式。你问他一个产品。他不仅展示了该产品，还展示了您可以购买的相关产品。他们在交叉销售和向上销售方面训练有素。

随着Internet上信息量的增加以及用户数量的显着增加，对于公司来说，根据其偏好和喜好搜索，映射并向他们提供相关的信息块变得越来越重要。

让我们考虑一个示例，以更好地理解推荐引擎​​的概念。如果我没有记错的话，几乎所有人都必须使用亚马逊购物。就是这样， 推荐引擎产生了Amazon.com 35％的收入。那他们的策略是什么？

亚马逊在电子邮件活动和大多数网站页面中都将推荐作为有针对性的营销工具。亚马逊会根据您正在浏览的内容推荐许多不同类别的产品，并将这些产品拉到您的面前。就像产品页面底部的“经常一起购买”选项一样，诱使您购买组合。这项建议的主要目标是：通过根据购物车中的商品或低于其当前正在查看的商品的商品提供商品建议，提高平均订单价值，即向上销售和交叉销售的客户。

 Reference: Amazon

亚马逊使用浏览历史记录 用户始终将这些产品放在客户眼中。它使用客户的评分和评论在推荐和最佳销售选项中显示平均价格更高的产品。亚马逊希望让您购买包装而不是一种产品。假设您购买了手机，那么它将建议您购买手机壳或屏幕保护膜。它将进一步使用引擎的建议通过电子邮件发送电子邮件，并让您随时了解产品/类别的当前趋势。

基于内容的过滤：

这些过滤方法基于商品说明和用户偏好选择的资料。在基于内容的推荐系统中，关键字用于描述项目。此外，还建立了一个用户资料来说明该用户喜欢的商品类型。换句话说，算法尝试推荐与用户过去喜欢的产品相似的产品。基于内容的过滤的想法是，如果您喜欢某个项目，那么您还将喜欢一个“相似”项目。例如，当我们推荐相同类型的项目时，例如电影或歌曲推荐。这种方法起源于信息检索和信息过滤研究。

基于内容的筛选的一个主要问题是系统是否能够从用户对一个内容源的操作中了解用户偏好，并将其复制到其他不同的内容类型中。当系统仅限于推荐与用户已经在使用的相同类型的内容时，当可以推荐来自其他服务的其他内容类型时，来自推荐系统的值将大大减少。例如，基于新闻浏览推荐新闻文章很有用，但如果可以根据新闻浏览推荐来自不同服务的音乐，视频，那么它就没有多大用处。

混合推荐系统：

最近的研究表明 结合协作和基于内容的推荐会更有效。可以通过分别进行基于内容的预测和基于协作的预测，然后将其组合来实现混合方法。此外，通过将基于内容的功能添加到基于协作的方法中，反之亦然；或将方法统一为一个模型。

多项研究着重比较混合方法与纯协作方法和基于内容的方法的性能，并证明混合方法比纯方法可以提供更准确的建议。这样的方法可以用来克服推荐系统中的常见问题，例如冷启动和数据不足问题。

Netflix是使用混合推荐系统的一个很好的例子。该网站通过比较相似用户的观看和搜索习惯（即协作过滤）以及提供与用户评价很高的电影具有共同特征的电影（基于内容的过滤）来提出建议。

存储数据：

分析数据：

我们如何找到具有类似用户参与度数据的商品？为此，我们使用不同的分析方法过滤数据。如果要在用户查看产品时向他们提供即时建议，则需要进行更灵活的分析。我们可以分析数据的一些方法是：

• 实时系统 可以在创建数据时对其进行处理。这种类型的系统通常涉及可以处理和分析事件流的工具。需要实时系统来提供即时建议。
• 批次分析 要求您定期处理数据。这种方法意味着需要创建足够的数据以使分析相关，例如每日销量。批处理系统可能可以正常工作，以便以后发送电子邮件。
• 近实时分析 可让您快速收集数据，以便每隔几分钟或几秒钟刷新一次分析。接近实时的系统最适合在同一浏览会话中提供推荐。

过滤数据：

下一步将是过滤数据，以获取向用户提供建议所需的相关数据。我们必须从上述算法列表中选择一种更适合推荐引擎的算法。喜欢

• 基于内容： 受欢迎的推荐产品具有与用户查看或喜欢的产品相似的特征。
• 簇：无论其他用户做了什么，推荐的产品搭配使用都很好。
• 协同合作：与其他用户喜欢或喜欢相同产品的其他用户也会喜欢推荐的产品。

协作过滤使您可以使产品属性具有理论性，并可以根据用户的口味进行预测。此过滤的输出基于这样的假设：过去曾经喜欢相同产品的两个用户现在或将来可能会喜欢相同的产品。

您可以将有关评分或互动的数据表示为一组矩阵，将产品和用户作为维度。假设以下两个矩阵相似，但是随后我们通过将现有的评分替换为数字1而将缺少的评分替换为数字0，从第一个矩阵中减去第二个矩阵。结果矩阵是一个真值表，其中一个数字代表用户与产品的交互。

我们使用K-Nearest算法，Jaccard系数，Dijkstra算法，余弦相似度来更好地关联人们的数据集，以便根据等级或产品进行推荐。

上图显示了k最近算法的群集过滤的工作原理。

然后，最后，在过滤并使用算法后获得的结果将根据推荐类型的及时性向用户提供推荐。实时推荐还是一段时间后发送电子邮件。

您的组织如何实施产品推荐引擎？

由于产品推荐引擎主要基于数据运行。您的公司可能没有存储能力来存储来自您网站上访问者的大量数据。您可以使用诸如Hadoop，Spark之类的在线框架，该框架允许您将数据存储在多个设备中，以降低对一台计算机的依赖性。 Hadoop使用HDFS将文件拆分为大块，并将其分布在集群中的各个节点上。这样，与处理数据集相比，可以更快，更有效地处理数据集。 更常规的超级计算机架构 它依赖于并行文件系统，在该文件系统中，计算和数据通过高速网络进行分配。

最后，我们使用MapReduce编程模型处理大数据集。这样，我们就可以在分布式文件系统中同时运行该算法，并选择最相似的集群。因此，任何组织都可以使用开源工具开发自己的推荐引擎体系结构，我们可以利用我们的技术专长来帮助他们实施引擎。

产品推荐引擎的好处

您无需进行市场调查就可以确定客户是否愿意在寻求最大帮助的商店中寻找合适的产品。他们将来也很有可能回到这样的商店。要了解推荐系统的商业价值：几个月前， Netflix估计，其推荐引擎每年价值10亿美元。

使用推荐引擎有两个主要好处，即收入和客户满意度。

收入 - 经过多年的研究，实验和执行工作主要由亚马逊推动，如今在线客户的学习曲线越来越少。与非个性化产品推荐相比，还探索，执行和证明了许多不同的算法可以提高转换率。

顾客满意度 - 很多时候，客户倾向于从上一次浏览中查看他们的产品推荐。主要是因为他们认为自己会找到更好的机会来获得优质的产品。当他们离开现场并稍后返回时；如果他们在上一个会话中的浏览数据可用，将很有帮助。这可以进一步帮助和指导他们的电子商务活动，类似于Brick和Mortar商店中经验丰富的助手。这种类型的客户满意度会导致客户保留。

个性化– 我们经常接受朋友和家人的推荐，因为我们相信他们的意见。他们知道我们比其他人更喜欢什么。这是他们擅长推荐事物的唯一原因，也是推荐系统试图建模的唯一原因。您可以使用间接积累的数据来改善网站的整体服务，并确保它们可以根据用户的偏好进行调整。作为回报，用户将有更好的心情购买您的产品或服务。

发现– 例如，iTunes的“ Genius Recommendations”功能，Amazon.com的“ Frequently Bought Together”提出了令人惊讶的建议，这些建议与我们已经喜欢的建议相似。人们通常都喜欢推荐自己喜欢的东西，当他们使用一个与他/她的选择极为相关的网站时，他/她必然会再次访问该网站。

提供报告– 是个性化系统的组成部分。通过向客户提供准确，最新的报告，客户可以对自己的网站和广告系列的方向做出可靠的决定。根据这些报告，客户可以为慢速运输产品提供报价，从而促进销售。

结论：

当然，进行网上销售让人满意，但是如果您能够赚更多一点呢？电子商务组织可以使用不同类型的筛选（协作，基于内容和混合）来创建有效的推荐引擎。很明显，亚马逊在这一原则上是成功的。每当您购买可动人偶时，都会根据内容本身向您推荐更多东西。例如，基于您刚购买的可动人偶的DVD动画系列。亚马逊实际上通过制作与您正在寻找的产品相关的捆绑软件，进一步迈出了一步。

为您的客户提供出色产品推荐的第一步，实际上就是勇于投入更好的转化。请记住-真正与客户互动的唯一方法是与每个人进行个体沟通。

有更高级和非传统的方法来推动您的推荐过程。这些技术（即深度学习，社会学习和张量分解）基于机器学习和神经网络。 这种认知计算方法 可以将您的推荐者的素质提升到一个新的水平。可以肯定地说，产品推荐引擎将随着机器学习的使用而改善。并为 顾客满意度 and retention.