电商个性化推荐系统：协同过滤算法筹划解析

算法简介

在网络资讯和电子商务信息爆炸式的增长，繁杂的信息中随意马虎造成流失落，再次背景下用户的个性化推举系统显得尤为主要，对电子商务平台和社交信息平台产生了质的影响。

协同过滤推举算法是出身最早，并且较为著名的推举算法。
紧张的功能是预测和推举。
算法通过对用户历史行为数据的挖掘创造用户的偏好，基于不同的偏好对用户进行群组划分并推举品味相似的商品。

其紧张代价表示在：

将潜在用户转化为支付用户；提升电子商务平台交叉发卖能力；提升客户对网站的忠实度；提升广告渠道转化效率；提升用户个性化体验。

协同过滤算法分类 基于用户的协同过滤算法（user-based collaboratIve filtering，简称：ucf）基于物品的协同过滤算法（item-based collaborative filtering，简称：icf）

算法阶段性事情内容第一阶段

建立用户行为评分权重模型，达到对用户行为数据化和可视化，。

以电子商品平台为例：

某用户进入商品下单页权重2%；点击详情权重8%；收藏15%；支付20%；分享15%；好评20%；评分20%；差评即分数为负数(向量为反方向)。

第二阶段

建立测试集和演习集。

演习集：用于模型构建；测试集：用于检测模型构建，此数据只在模型考验时利用，用于评估模型的准确率。

测试集和演习集的建立是为了防止模型的构建过度拟合，更是为了监测模型的准确性和可行性，方便对模型进一步改动。

例如：在班级内按身高、腰围定制了衣服，衣服制作后全班同学穿上很适宜，但当这个做衣服标准实行到全校时，制作的衣服很多同学穿不了，缘故原由可能是没有考虑到肩宽、臂展等。
此处本班是演习集，其他班是测试集。

第三阶段

建立合理的数据监控，监视召回率、准确率和覆盖率。
为模型后期改动供应依据。

打算公式

欧几里德间隔公式

(为方便掌握可取倒数，使结果分布在0—1之间)

余弦定理打算公式（N维空间）

（此处V1和V2为向量）

打算流程

运用实例

【余弦公式和ICF为例】以用户实际评分为出发点，建立商批驳分矩阵（如下表）

通过打算4个用户（四维空间中）对4件商品的评分我们得到了用户间的干系性数据（如下表）。

系数浮动区间在-1~1之间，系数越靠近1，向量夹角越小，两件商品的干系性越高，由此可见A&B、A&D的干系性最高，C&D干系性很弱。

干系系数：

强：0.8—1.0；较强：0.6—0.8；一样平常：0.4—0.6；弱/不干系： 0—0.4；不推举：-1.0—0；

2、利用用户对某商品产生过的记录打算其干系性。

【例如】：某用户对商品A和商品B的行为得分为权重，对商品C和商品D进行加权排序，得分高者优先推举。

根据干系性和加权评分后，商品C优先被推举。

数据去噪改动 对大众化，一线流程产品进行剔除，缘故原由是本来具有超高曝光率和有名度的产品，不推举用户才能很快触达，不必进行不须要的推举。
对用户浏览和购买过的商品进行剔除，以免造成重复性。
对商品归一分类，避免商品的跨种别推举，造成用户并不须要此类商品。

【 例如】：对某用户买衣服A，经由算法的综合排名，创造排第一的是方便面，排第六的才是衣服B，结果推举了方便面岂不闹了笑话。
但是对商品进行了归一分类，服装类商品只限推举服装，这样服装B就会优先推举。

对商品种别间建立合理的加分机制，并对低频商品建立合理的惩罚分值，使其推举其他周边商品。

【例如】：家具类商品为低频商品，用户永劫光内只须要买一件，购买后再次推举也无法提升支付率。
但是可以在用户支付下单后，通过打算，推举家具的其它周边商品（例如：饰物、窗帘等）。
由于设定合理的惩罚分值和干系商品类别的加分机制，可以一定程度长进步周边商品的推举率，降落低频商品的推举率，从而由侧面提升支付转化率。

方案弊端

数据稀疏性。
由于此类协同过滤的模型须要有演习数据支撑，而在冷启动期间用户不会在数据模型中完成所有项目，以是数据会有稀疏性。

【办理思路】：可以按该种别商品的用户均匀水平进行推举（项目冷启动期间的方案待磋商）。

可扩展性。
协同过滤算法能够随意马虎地为千万记用户供应量化的推举，但是对付电子商务网站，每每须要给成千上万的用户供应推举，这就一方面须要提高相应速率，能够为用户实时地进行推举;另一方面还应考虑到存储空间的哀求，只管即便减少推举系统运行对系统的包袱。

【办理思路】：划定打算范围，对无记录和种别干系性差距较大的商品、无操作记录的用户进行剔除性。
由此减少打算压力。
同时为提升用户体验，可以在离线期间对推举数据进行演习和打算。
但以上方案会在一定程度上影响到推举的精确

以上办理思路需进一步磋商，欢迎大家一起进行互换~~

结语

真正完善的个性推举系统须要进行基于物品的协同过滤、基于内容的协同过滤和基于模型的协同过滤组合利用，并结合平台自身的商业模式、业务模式特性、召回率、覆盖率和转化率进行不断的优化，建立各种赞助模型才能达到最优。

希望各位朋友来提提想法，有好想法大家一起磋商互换。

本文由 @呵哈嘿~ 原创发布于大家都是产品经理。
未经容许，禁止转载。

【原标题：电商个性化推举系统：协同过滤算法方案解析】