推荐算法京东

⑴ 什么是人工智能名片

自1956年人工智能名片的概念被正式提出以来，人工智能名片的发展可以说是几经沉浮。近年来，随着深度学习算法的突破，人工智能名片技术变得愈加成熟，2016年谷歌公司的人工智能名片AlphaGo战胜人类围棋冠军之后，直接掀起了人工智能名片发展的高潮。

人工智能名片

不过，说起人工智能名片，有些人会觉得这是一种非常前沿的技术，似乎更多的是在实验室里，离我们的生活还很遥远。但是，如果稍微注意一下，你就会发现人工智能名片其实早已悄然融入到我们的生活之中。下面，就来看看在我们身边的人工智能名片吧。

1、导航应用程序

以前我们在出行时，一般都是带着纸质地图。如果想去不熟悉的地方旅行，知道如何使用地图是一项基本的生活技能。现如今，到陌生的地方旅行变得更加容易，因为只需下载一个地图导航软件就可以到达目的地。目前，我们比较常用的导航地图像高德地图、网络地图等，它们都是由人工智能名片驱动的应用程序。

2、商品推荐

现在，人工智能名片已经成为零售购物行业领域的重要组成部分，它可以为消费者提供个性化的服务，展示他们最有可能购买的商品。当消费者登陆到一个购物网站，他们点击产品页面并进行购买时，人工智能名片就可以存储数据并从中进行学习，因此它可以确定消费者的偏好。这样，在这些消费者下次访问同一家购物网站时，网站就可以展示与消费者偏好高度相关的商品，而不是从网站上随机挑选与潜在客户没有共鸣的商品。此外，人工智能名片收集的数据还可以帮助电商平台定制各种提醒和信息，让顾客了解他们喜欢的商品和活动。

目前，大部分的购物网站都不同程度地集成了人工智能名片推荐算法，包括京东、淘宝、天猫等平台首页的个别位置、购物车以及支付完成页面显示的商品都是算法推荐的结果。

3、聊天机器人

对于大部分服务型行业来说，需要会为客户提供7*24小时的不间断服务。但有一个问题，为了确保客户的疑问不分昼夜地得到解答，就需要聘请更多的专业客服轮班工作，这意味着要投入更多的成本。在这种情况下，人工智能名片聊天机器人就派上了用场。对一些公司来说，聊天机器人是回答客户问题最便宜的方式之一，即便是在工作时间。

4、智能语音客服

你能想到吗？你拨打的客服电话很有可能就是人工智能名片接的。现在，智能语音客服可以代替人工客服回答拨打服务热线的客户的问题。在以前，这种后台语音电话的分工是由电脑语音来引导用户选择服务内容，而个性化的问题都由人工客服来处理。但是随着人工智能名片技术的快速发展，现在已经有很大一部分的个性化内容可以由人工智能名片来进行回答和解决了。

当然，这种智能语音客服确实是节省了很多的人工成本，但在从某种角度上也降低了电话骚扰和电话诈骗的门槛和难度。相信一些人遇到过这样的困扰，有时会接到一类骚扰电话，在接听时会有一个声音自顾自推销产品，而且这一通话过程中是无法被打断的。其实这类人工智能名片语音是一段录好的语音，还有一些的会根据回复产生的关键字索引到一些指向性的录音进行回话，这给人们的生活带来了很多困扰。

5、智能个人助理

在互联网出现之前，企业管理者必须通过不断地阅读书籍或要求他的员工去掌握和了解他们未知的事情。几年后，企业管理者可以使用网络、360或者必应这样的搜索引擎，通过在搜索框中键入关键词来进行搜索查询。

如今，人们在网上搜索的方式已经可以通过语音搜索达到另一个层次。通过询问他们的人工智能名片个人助理，就可以立即得到关于问题的答案。目前，常见的智能助理包括苹果的Siri、华为小艺以及小米的小爱同学等。

以苹果的人工智能名片个人助理Siri为例。这个人工智能名片应用程序能够识别声音，并将其转换成文本，并执行命令。作为一名个人助理，它不仅对查询有用。你可以使用Siri向客户发送电子邮件或查看你自己当天的日程安排。只要发音清晰，就可以在几秒钟内得到你询问的答案。

6、投资组合管理

投资股票或外汇是一种屡试不爽的赚钱方法。虽然有风险，但如果了解它是如何运作的，这是最好的赚钱方式之一。对于投资组合经理来说，了解市场趋势并在投资客户的资金时确定哪种选择是最好的是至关重要的。正因为如此，世界上许多大银行都在使用人工智能名片，因为它带来的准确性和便利性。过去需要投资组合经理花几天时间做研究的事情，现在可以用人工智能名片软件在几分钟内完成。

写在最后：

方便、准确和效率是企业选择将人工智能名片集成到业务流程中的一些主要原因。随着技术的不断发展，人工智能名片可以处理越来越多的流程，从而使用户能够从生产力、收入的提高，以及他们整体经营业务的方式中获益。

⑵ 2020京东双11商家可以得到哪些扶持

1、店铺赛马

店铺赛马是为消费者筛选优质店铺的平台营销工具。优质店铺有机会通过提报赛马活动，层层晋升获得更多会场曝光机会。本次11.11赛马活动的权重指标，包括但不限于店铺入仓订单占比、商家开播场次、预售定金支付率、店铺销售额产出、广告费用投入等。

赛马权重指标排名的高低，将结合全站个性化推荐算法，共同决定店铺在会场赛马坑位的曝光排序，并在主会场以及爆品会场品类下的赛马楼层中应用。

2、商品价格力

为提升大促活动效果，11.11将应用“商品价格力”工具为消费者推荐价格更实惠的商品。价格力系数的大小，可反映商品优惠力度的高低，该系数将影响商品在首页推荐、大促会场等平台公域曝光的权重，该工具适用于所有参与11.11活动的自营和POP商品。

商品价格力的高低将参考校验期最低标价，最低成交价和全网销售最低价。有关“商品价格力”的具体校验方式，请参考后续规则内容。

3、商品打标

商品打标是指对报名且符合大促要求的商品进行标记。本次11.11 商谈轿品打标门槛包括商品好评率、商品动销率、店铺风向标、店铺交易纠纷等多项指标要求。不同品类对打标门槛的要求不同，商家可登录商家后台-活动报名-行业活动，选择报名参与打标。

本次11.11的POP打标商品将自动开启15天价保，商家亦可自行设定15天以上的价保周期。此外，打标商品享有11.11专属的视觉氛围包装，推荐、会场公域流量支持。为进一步提升11.11 打标商品的商详转化率，鼓励 11.11打标商品同时报名“优惠指引”标签，届时该商品的大促商详腰带将自动展示到手价信息，为消费者提供更直观的价格信息。有关打标报名要求请参考后续规则。

4、店铺装修

店铺装修是大促会场与商家含哪肆店铺的连接纽带。对于商家来说，大促承接页是引导活动流量的重要入口，在主会场/部分集团分会场，事业部品类会场的店铺入口内享受优先曝光，且由于用户产生购买的前提是基于店铺承接页的浏览，经营好大促承接页对店铺的流量转化至关重要。

本次11.11平台优化了个性化商品组件功能，致力于为商家创造更快捷更高效的自动化组件，从而实现销售的增长。为更好地获取流量，建议商家在10月中旬即可开启店铺装修。

参考来源：京东2020年双11的活动机制是？商家可以得到哪些扶持？

如果想找跟电商相关工具、平台最新规则、热门资讯可以看去店小鱼电商卖家助手

或店小鱼知乎主页，希望能对各位缓悄有益，有什么不清楚的，欢迎大家加入店小鱼卖家群一起交流，共同成长！

⑶ 模仿的价值

上次提到产品模仿和结构性模仿，催生了一种产物叫商业模式。

企业在特定的国家或者地域的行业内展开活动，从外部带来的事物，即使这些事物已经存在于其他地方，但是对该行业来说，还是新鲜的事物。这就好比我国互联网产业，在移动互联网兴盛之前，基本上在我国内的互联网公司的商业模式都模仿国外，也认美国硅谷为产业发动机，对标美国。拿风投之前，投资人会问你为什么你能模式能成功呀？然后你只要说美国有成功案例，基本上你成功一半了。

模仿国外成功的商业模式，引入国内进行重组设计，也叫创新，行业先驱者，这些先驱者带来了早期行业的繁荣，奠定了行业的蓬勃发展，是令人敬佩的。 无论是日本的7-11，丰田汽车，国内早期的互联网三大门户网站，网络，淘宝等等，无一例外都取得了瞩目的成绩。基本上在产业早期，在具备两大条件的基础之上，模仿成功的商业模式是最便捷的一条路了。 有人问哪两大条件呢，昊泽君认为： 1. 行业还没有充分发展2. 足够大的人口基数   

所以昊泽君跟很多朋友说过类似的话：“你如果真的不知道该怎么办的话，那就模仿迹携吧，被模范对象做了什么你也做，只要有足够的用户基数和消费者基数，大概率不会死”。  

话说到这里，有的朋友就可能会不认同昊泽君说法，你们可能会说，如果都是模仿的话，那就没有创新，没有竞争力，更不用说有长期的发展。 这句话说得在理，昊泽君很认同单纯的模仿不会有长期的产业价值。 不过，昊泽君想表达以下两个观点：

1. 行业没有充分发展，市场足够大： 没有任何一家公司能够在某个领域吃了所有的市场份额，市场机制绝不允许，另外行业没有充分发展，说明你看到了机会提前入局，在前期试错成本不会很大，重要的是你还有时间，并且只要你不作死的去创造所谓的创新模式，活下来是没问题的。

2. 模仿中的创新：单纯的模仿的确很难有竞争力，但是如果我们既模仿了成功的商业模式，又根据自身和实际市场的特性做了创新性的变革，哪怕是微改变，都足以让你更加成功。 比如 7-11当时根据日本市场的特性做了品类的变化；丰田创造了Just In Time 的生产机制；京东革命性的发展自主物流；瑞幸咖啡利用移动互联网的特性主攻外卖市场，通过移动互联网的玩法弯道超车；今日头条创造性的推出了自己的推荐算法，通过算法做信息分发，实现弯道超车等等成功案例， 大家都可以去总结一下，类似的现象姿州和，类似迹盯的商业模式，但是做得成功的，一定是根据实际情况做了变动，并且通过共同点发现了内在的规律，发现了本质，通过构建新的结构进行本质转移，产生新的商业模式，实现了更长期的应用价值。

就这么两点，大家可以留言互动谈谈自己的见解。

⑷ 京东推荐优惠怎么来的

京东个性化推荐算法。
京东通过个性化推荐算法向用户展示的一种优惠活动。京东会根据用户的购买记录、搜索记录、浏览记录等行为数据，分析用户对商品的答握喜好和偏好，从而向用户推荐相关的商品和优惠活清皮庆动。
京东个性化推荐算法数据其主要来源于用户在京东平台的历史购买行为、搜索行为、浏览行为、评论行为等多种数握腔据。

⑸ 深度学习在京东、美团、淘宝等网购平台有哪些用武之地

开发推荐算法，预测你需要什么产品，喜欢什么产品
大数据杀熟，知道你一定会用他所以提高服务费用
生成用户画像，收集个人的生活状况和各种信息
风险预测，对有风险的交易提前

⑹ Amazon的推荐算法是否特别优秀

现在在京东、易迅、亚马逊等看到的主流推荐算法，一般都是基于物品自身相似性（不依赖于用户数据，没有冷启动问题）、基于用户浏览、喜欢、购买等数据的协同过滤推荐（用户纬度和商品纬度）。
其实这些推荐算法的核心思路，是很朴素的。
一、基于物品自身相似度：例如衣服A和衣服B，对于它们在分类、价格段、属性、风格、品牌定位等等其他属性纬度的表现，来计算它们之间的相似度，如果相似度高，那么在有用户浏览A的时候，就可以推荐B（实际当然没这么简单）。因为衣服的这些属性是不依赖于用户的，所以解决了系统的冷启动问题，正是不依赖与用户的行为数据，因此比较死板，完全没有个性化的推荐。这个算法的思路很多人都清楚，但是越是简单的算法，要达到好的效果就越是难，特别是推荐这种转化率非常低的算法。商品有几十个属性，对不同分类的商品，并不是所有的属性都是有必要纳入相似度计算的，已经纳入的属性但是重要性也是有区别的，这样一来，光光给不同类别商品筛选必要属性以及设置这些属性在相似度计算中的权重值，就是一项非常浩大的工程了。亚马逊的推荐系统在全球行业中也是最早的，相信他们在这个问题上肯定有自己一套迅速有效的方法。当然要我来说具体是怎么样的，我怎么可能知道呢^_^，知道了也不告诉你。
二、基于用户纬度的协同过滤：采集用户的购买（浏览、收藏都行）商品数据，把用户购买的商品列出来，当作用户的属性纬度。例如用户A购买了商品1、2、3、4、5，用户B购买了商品1、2、5、6，那么可以简单的将12345和1256分别作为A和B的属性特征字符串，计算A和B的相似度，经过简单的聚类将用户聚成几个类别（邻居）。假设A和B同属于一个聚类，那么可以称A和B有比较相似的偏好，继而可以将A买过而B没买过的其他商品推荐给B。在这一个流程里，可以发挥的地方有很多：1、用户的行为数据需要去噪音（买了多少商品以下的用户不考虑，有代购的不考虑，如何精准的判断代购，商品时效性的考虑，数据的时间跨度等等）；2、计算相似度的时候跟第一点中提到的一样，并不是所有商品对用户的描述度都是一样的。可能价格低的重要程度就没有昂贵的商品重要。3、通过聚类计算邻居的时候，聚类算法又是另一门学科了，或者选择分类算法。然后聚类的门槛选择都是需要很长时间的测试、观察、修改的，需要时间的积累。4、浏览、购买、收藏等历史数据是不是可以协同过滤。现在很多网站给出的推荐，都不是单一推荐算法的，一个算法的输出可以作为另一个算法的输入，可以是多个算法的输出综合筛选，这也是一个需要长时间积累的地方。

⑺ 推荐系统产品和算法概述丨产品杂谈系列

本文主要是对最近所学的推荐系统的总结，将会简单概述非个性化范式、群组个性化范式、完全个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的推荐范式的设计思路。

许多产品的推荐算法都依赖于三类数据：标的物相关的描述信息（如推荐鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。这三类数据是推荐模型的主要组成部分，除此之外一些人工标注的数据（例如为商品人工打上标签）、第三方数据也能够用于补充上述的三类数据。

服务端在有以上数据的基础上，就可以从三个维度进行推荐：

根据个性化推荐的颗粒度，我们可以将基于用户维度的推荐分为非个性化推荐、群组个性化推荐及完全个性化推荐三种类型。

非个性化推荐指的是每个用户看到的推荐内容都是一样的 在互联网产品中，我们最常见的非个性化推荐的例子是各种排行榜，如下图是酷狗音乐的排行榜推荐，通过各个维度计算各类榜单，不管是谁看到这个榜单，上面的排序和内容都是一致的。

群组个性化推荐指的是将具有相同特征的用户聚合成一组，同一组用户在某些方面具备相似性，系统将为这一组用户推荐一样的内容 。这种推荐方式是很多产品进行用户精细化运营时会采用的方式，通过用户画像系统圈定一批批用户，并对这批用户做统一的运营。例如音乐软件的推荐播放，若以摇滚乐为基准将一批用户聚合成组，则为这些用户提供的每日推荐歌单是相同的内容和顺序，但与另一组爱听民谣的用户相比，两组用户看到的每日推荐内容将是不同的。

完全个性化指的是为每个用户推荐的内容都不一样，是根据每一位用户的行为及兴趣来为用户做推荐，是当今互联网产品中最常用的一种推荐方式 。大多数情况下我们所说的推荐就是指这种形式的推荐，例如淘宝首页的“猜你喜欢”就是一个完全个性化的推荐，千人千面，每个人看到的推荐尚品都不一样。

完全个性化可以只基于用户行为进行推荐，在构建推荐算法时只考虑到用户个人的特征和行为 ，不需要考虑其他用户，这也是最常见的内容推荐方式。除此之外， 还可以基于群组行为进行完全个性化推荐，除了利用用户自身的行为外，还依赖于其他用户的行为构建推荐算法模型 。例如，用户属性和行为相似的一群用户，其中90%的用户买了A商品后也买了B商品，则当剩下的10%用户单独购买B商品时，我们可以为该用户推荐商品A。

基于群组行为进行的完全个性化推荐可以认为是全体用户的协同进化，常见的协同过滤、基于模型的推荐等都属于这类推荐形式。

基于标的物的推荐指的是用户在访问标的物详情页或者退出标的物详情页时，可以根据标的物的描述信息为用户推荐一批相似的或者相关的标的物，对应的是最开始提到的“标的物关联标的物范式” 。如下图酷狗的相似歌曲推荐，

除了音乐产品外，视频网站、电商、短视频等APP都大量使用基于标的物维度的推荐。如下图便是YouTube基于标的物关联标的物的推荐。在YouTube上我观看一个周杰伦的音乐视频时，YouTube在该页面下方为我推荐更多与周杰伦有关的视频。

基于用户和标的物交叉维度的推荐指的是将用户维度和标的物维度结合起来，不同用户访问同一标的物的详情页时看到的推荐内容也不一样，对应的是开头提到的笛卡尔积推荐范式。 拿酷狗音乐对相似歌曲的推荐来举例，如果该推荐采用的是用户和标的物交叉维度的推荐的话，不同用户看到的“没有理想的人不伤心”这首歌曲，下面的相似歌曲是不一样的。拿淘宝举例的话，一样是搜索“裤子”这一关键词，不同的人搜索得到的搜索结果和排序是不同的，可能用户A搜索出来优先展示的是牛仔裤，而用户B优先展示的是休闲裤，淘宝将结合搜索关键词与用户个人的历史行为特征展示对应的搜索结果和排序。

对于基于笛卡尔积推荐范式设计的推荐系统来说，由于每个用户在每个标的物上的推荐列表都不一样，我们是没办法是先将所有组合计算出来并储存（组合过多，数量是非常巨大的），因此对于系统来说，能否在用户请求的过程中快速地为用户计算个性化推荐的标的物列表将会是一个比较大的挑战，对于整个推荐系统的架构也有更高的要求，因此在实际应用中，该种推荐方式用的比较少。

非个性化范式指的是为所有用户推荐一样的标的物列表，常见的各种榜单就是基于此类推荐规则，如电商APP中的新品榜、畅销榜等。排行榜就是基于某个规则来对标的物进行排序，将排序后的部分标的物推荐给用户。例如新品榜是按照商品上架的时间顺序来倒序排列，并将排序在前列的产品推荐给用户。而畅销榜则是按照商品销量顺序降序排列，为用户推荐销量靠前的商品。

根据具体的产品和业务场景，即使同样是非个性化范式推荐，在具体实施时也可能会比较复杂。例如在电商APP中畅销榜的推荐可能还会将地域、时间、价格等多个维度纳入考虑范围内，基于每个维度及其权重进行最终的排序推荐。

大部分情况下，非个性化范式推荐可以基于简单的计数统计来生成推荐，不会用到比较复杂的机器学习算法，是一种实施门槛较低的推荐方式。基于此，非个性化范式推荐算法可以作为产品冷启动或者默认的推荐算法。

完全个性化范式是目前的互联网产品中最常用的推荐模式，可用的推荐方法非常多。下面对常用的算法进行简单梳理。

该推荐算法只需要考虑到用户自己的历史行为而不需要考虑其他用户的行为，其核心思想是：标的物是有描述属性的，用户对标的物的操作行为为用户打上了相关属性的烙印，这些属性就是用户的兴趣标签，那么我们就可以基于用户的兴趣来为用户生成推荐列表。还是拿音乐推荐来举例子，如果用户过去听了摇滚和民谣两种类型的音乐，那么摇滚和民谣就是这个用户听歌时的偏好标签，此时我们就可以为该用户推荐更多的摇滚类、民谣类歌曲。

基于内容的个性化推荐在实操中有以下两类方式。

第一种是基于用户特征标识的推荐。
标的物是有很多文本特征的，例如标签、描述信息等，我们可以将这些文本信息基于某种算法转化为特征向量。有了标的物的特征向量后，我们可以将用户所有操作过的标的物的特征向量基于时间加权平均作为用户的特征向量，并根据用户特征向量与标的物特征向量的乘积来计算用户与标的物的相似度，从而计算出该用户的标的物推荐列表。

第二种是基于倒排索引查询的推荐。
如果我们基于标的物的文本特征（如标签）来表示标的物属性，那么基于用户对该标的物的历史行为，我们可以构建用户画像，该画像即是用户对于各个标签的偏好，并且对各个标签都有相应的偏好权重。

在构建完用户画像后，我们可以基于标签与标的物的倒排索引查询表，以标签为关键词，为用户进行个性化推荐。

举个粗暴的例子，有歌曲A、B、C分别对应摇滚、民谣、古风三个音乐标签，我听了歌曲A、B，则在我身上打了摇滚和民谣的标签，又基于我听这两个歌曲的频率，计算了我对“摇滚”和“民谣”的偏好权重。
在倒排索引查询表中，摇滚和民谣又会分别对应一部分歌曲，所以，可以根据我对摇滚和民谣的偏好权重从查询表中筛选一部分歌曲并推荐给我。

基于倒排索引查询的推荐方式是非常自然直观的，只要用户有一次行为，我们就可以据此为用户进行推荐。但反过来，基于用户兴趣给用户推荐内容，容易局限推荐范围，难以为用户推荐新颖的内容。

基于协同过滤的推荐算法，核心思想是很朴素的”物以类聚、人以群分“的思想。所谓物以类聚，就是计算出每个标的物最相似的标的物列表，我们就可以为用户推荐用户喜欢的标的物相似的标的物，这就是基于物品的协同过滤。所谓人以群分，就是我们可以将与该用户相似的用户喜欢过的标的物(而该用户未曾操作过)的标的物推荐给该用户，这就是基于用户的协同过滤。

常见的互联网产品中，很多会采用基于标的物的协同过滤，因为相比之下用户的变动概率更大，增长速度可能较快，这种情况下，基于标的物的协同过滤算法将会更加的稳定。

协同过滤算法思路非常简单直观，也易于实现，在当今的互联网产品中应用广泛。但协同过滤算法也有一些难以避免的问题，例如产品的冷启动阶段，在没有用户数据的情况下，没办法很好的利用协同过滤为用户推荐内容。例如新商品上架时也会遇到类似的问题，没有收集到任何一个用户对其的浏览、点击或者购买行为，也就无从基于人以群分的概念进行商品推荐。

基于模型的推荐算法种类非常多，我了解到的比较常见的有迁移学习算法、强化学习算法、矩阵分解算法等，且随着近几年深度学习在图像识别、语音识别等领域的进展，很多研究者和实践者也将其融入到推荐模型的设计当中，取得了非常好的效果。例如阿里、京东等电商平台，都是其中的佼佼者。

由于该算法涉及到比较多的技术知识，在下也处于初步学习阶段，就不班门弄斧做过多介绍了，有兴趣的朋友可以自行进行学习。

群组个性化推荐的第一步是将用户分组，因此，采用什么样的分组原则就显得尤为重要。常见的分组方式有两种。

先基于用户的人口统计学数据（如年龄、性别等）或者用户行为数据（例如对各种不同类型音乐的播放频率）构建用户画像。用户画像一般用于做精准的运营，通过显示特征将一批人圈起来形成同一组，对这批人做针对性的运营。因为前头已经提到此算法，这里不再重复介绍。

聚类是非常直观的一种分组思路，将行为偏好相似的用户聚在一起成为一个组，他们有相似的兴趣。常用的聚类策略有如下两类。

标的物关联标的物就是为每个标的物推荐一组标的物。该推荐算法的核心是怎么从一个标的物关联到其他的标的物。这种关联关系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他维度的关联（例如互补品，羽毛球拍和羽毛球）。常用的推荐策略是相似推荐。下面给出3种常用的生成关联推荐的策略。

这类推荐方式一般是利用已知的数据和标的物信息来描述一个标的物，通过算法的方式将其向量化，从而根据不同标的物向量之间的相似度来急速标的物之间的相似度，从而实现相识标的物的推荐。

在一个成熟的产品中，我们可以采集到的非常多的用户行为，例如在电商平台中，我们可以手机用户搜索、浏览、收藏、点赞等行为，这些行为就代表了用户对某个标的物的某种偏好，因此，我们可以根据用户的这些行为来进行关联推荐。

例如，可以将用户的行为矩阵分解为用户特征矩阵和物品特征矩阵，物品特征矩阵可以看成是衡量物品的一个向量，利用该向量我们就可以计算两个标的物之间的相似度了，从而为该用户推荐相似度高的其他产品。

再例如， 采用购物篮的思路做推荐，这种思路非常适合图书、电商等的推荐 。 以电商为例，我们可以把用户经常一起浏览(或者购买)的商品形成一个列表，将过去一段时间所有的列表收集起来。对于任何一个商品，我们都可以找到与它一起被浏览或者购买的其他商品及其次数，并根据次数来判断其关联性，从而进行关联推荐。

我们可以对用户进行分组，同样，我们也能够对标的物进行聚类分组。通过某位参考维度，我们将一些列具有相似性的标的物分成一组，当我们为用户进行推荐的时候，便可以将同一组内的其他标的物作为推荐对象，推荐给用户。

笛卡尔积范式的推荐算法一般是先采用标的物关联标的物范式计算出待推荐的标的物列表。再根据用户的兴趣来对该推荐列表做调整（例如根据不同兴趣的权重重新调整推荐列表的排序）、增加（例如基于个性化增加推荐对象）、删除（例如过滤掉已经看过的），由于其复杂程度较高在实际业务场景中应用较少，这边不再详细介绍。

好了，本次的介绍就到此为止了。本次主要是做了一个非常简单的推荐算法概述，在实际的业务场景中，还经常需要与产品形态或者更多的未读（如时间、地点等）相结合，是一个很有意思的领域，有兴趣的朋友可以进一步了解。

⑻ 国内电子商务网站所运用的推荐技术有什么什么基于内容的、知识的、协调过滤，具体点，最好有截图，谢谢

凡客的推荐系统做的比较好，因为主要经营服装产品，所以主要采用协同过滤推荐算法，例如“浏览该产品的用户都购买了什么”“购买过该商品的用户还购买了什么”；
京东商城有猜你喜欢，应该是基于浏览记录和消费记录的商品内容采用基于内容过滤的推荐算法实现的，但是协同过滤还是主要的；
亚马逊、当当这类主要经营书籍的购物平台在个性化推荐中，根据用户的搜索内容、浏览记录、消费记录采用基于内容过滤的推荐算法，还有就是基于关联规则的推荐，推荐相关书籍给用户；
视频网站薯仔网的个性化推荐做得比优酷人性化。不用登陆即可记录用户的浏览记录，根据历史浏览内容向用户推荐相关视频，一般同导演相关或者同演员相关。优酷和薯仔的共同点是还是把协同过滤当做重点，“浏览过该影片的用户还喜欢看”。
在推荐系统当中，个性化推荐和共性推荐都很重要。每个电商网站一定有共性推荐的部分，例如最近商品、热门商品，还有一些基于共性消费模式的关联推荐。
希望都你有所帮助。

⑼ Hulu的推荐算法课程（7月15号发布）

最近，Hulu又推出了推荐算法课程，关键是免费的，太良心了有没有。平常动辄几百几千的小象学院的课程，现在统统不要钱。我听了第一节，感觉实用性很强，肯定不会有很深入的讲解，适合学生和想入场推荐系统的算法工程师来学习。同时Hulu提供了几道推荐算法的面试题，大家可以体会一下。

第一节课主要讲了几种基础的推荐算法模型（协同过滤，因式分解机，逻辑回归，提升树）

推荐算法在使用场景有：

1 视频网站，推荐视频（例如hulu，抖音等）

2 网购网站，推荐商品（例如京东，淘宝，Amazon）

3 新闻网站，推荐新闻（例如今日头条）

推荐算法的基础假设：

1 信息过载

2 用户不确定自己想看的内容

协同过滤算法是一种上下文无关的推荐算法

它的初衷是用户的历史和未来趋势保持一致

协同过滤算法有两种：基于用户的推荐算法和基于物品的推荐算法

基于用户的推荐算法：通过找到类似的用户，从而做推荐

基于物品的推荐算法：通过购买或者点赞的产品从而做推荐

好处:

简单，可解释性强

缺点：

需要占用存储（维护矩阵），稀疏矩阵问题

上下文无关的推荐算法

初衷：发现高维特征

进一步完善矩阵分解：

u表示平均打分在目录中

表示商品间的打分差异

表示用户的打分差异

优点：

更泛化性（即使两个用户没斗扮有给相同商品打分），节约存储空间（只需要保存两个低维向量）

缺点：

不好解释；更加稀疏

初衷：增加上下文信息到模型，把推荐系统作为一个分类问题来解决

用户，商品，上下文信息可以被转化为分类变量（比如性别，时间区间等）

最后加入sigmoid函数映射到0-1空间中。

好处：可解释性比较强；可以并行快速训练；训练开销比较低；可以在线训练

缺点：需要特征工程；模型的表达能力差

初衷：考虑到特征间的交叉

)

好处：表达能力比较强；很好泛化能力了；相对低的训练开销

缺点：做更高层的特征交叉比较难

提升树是基于Boosting的原理：使用多个弱分类器串行成集成分类空拿灶器

提升树算法是通过集合多个决策树而得到的

第一道：从基于用户的协同过滤和基于物品的协同过滤的原理思考，下列场景中使用哪种协同过滤算法更加适合？为什么？

（1）新闻资讯推荐

新闻网站更适用于基于用户的协同敏橘过滤算法，兴趣相似的用户关注的新闻相似的概率比较大。

（2）电商网站推荐

电商网站更适用于基于物品的协同过滤算法，使用用户关注或者购买过的物品可以更精准推荐他未来购买的物品。

第二道：为什么逻辑回归模型在工业界受到了广泛应用？LR相对于其他的模型，尤其是GBDT模型，突出的优点是什么？

逻辑回归可解释性强，并且可以在线计算。相对于GBDT串联型结构，LR可以并行，所以得到工业界的欢迎。

第三道：为什么说提升树模型（GBDT)难以并行化？从Boosting方法的角度上给出简单的解释。

Boosting是通过不断增加新的模型预测，这种方式是无法并行化操作。

出自：世相科技

欢迎点赞支持

⑽ 梁宁产品思维笔记+心得 - 第11课 两套经典的用户画像

模型：如果有一片草地，我就在草地上养羊，所以我先要有第一只羊。 如果这一只羊能够在草地上活下来，那么草地就是没问题的，就可以引入更多的羊。 羊多了，你就会发现头羊才是关键的，因为一只头羊可以管一大堆羊，你就不用管了。只要有头羊，羊群就可以聚集。 羊多了就会有狼，狼多了，我就把羊圈起来，然后向狼收费。

几乎所有的互联网社区，都是按照这个场景和用户描述去做的。

首先要有第一只羊，第一只羊是最关键的角色。（第一个种子用户）如果它走了，则说明你的产品有问题，你要回去接着打磨自己的产品。如果这只羊在这里过得很好、玩得很开心，它得到了即时满足；这时可以引入更多羊，也就是产品可以推广了。

第二个关键角色是头羊。整个生态发展到最后，最核心的就是头羊。 整个企业的资源核心就是要去维护头羊，只要有头羊就会有羊群。有时候小羊叫一叫表示不满，我们根本不用管，因为企业资源有限。

论坛的版主、YY公会的老大、微博的大V、重度用户、淘宝的店主，这些都是头羊。当你的草地上出现了头羊，头羊开始自己管羊群的时候，这就代表了自组织的开始，开始拥有了网络效应。

当你要评估一个产品或者一家公司的网络效应有多大梁散逗时，一个非常简单的评估方式就是数一数它有多少头羊。网络贴吧有多少版主，就至少有多少头羊；淘宝上有多少卖家，就有多少头羊。按照这个标准来看，网络贴吧和淘宝，它们的网络效应是巨无霸级的。

什么是狼？

对于B2C的企业来讲，如果你是向B端收费，那其实狼就是B端。比如说像京东、淘宝，其实它们都是向上游挣钱的，所以商家是狼。

Who is 大明？

大明有什么特点？大明对自己的需求非常了解、非常清晰。

比如说男人买衬衫、男人买3C产品就是大明。因为他对他要的东西是非常清晰的，他要寻找的核心是价格或者硬货。这个时候，网站的页面做得再漂亮、格调再高雅，如果产品价格不好，大明不会买账。 所以互联网产品中，大明最依赖的工具是搜索，因为他对自己主动要找的东西是非常清晰的。

京东其实就是定位于服务大明的，所以标准品的竞争几乎都是京东赢。为什么？因为大明用户极其简单，他要干的事情就是两件：一、搜索自己要的；二、比价格。京东的体量优势越来越大，对供应链的挤压能力越来越强，所以它服务大明用户的能力就越来越强。现在一些B2C品类暂时还有机会，其实是京东的火力还没有扩展到那里。标准品的电商，只要是京东来做，根本不需要精细化的运营就能够压倒其他的商家，因为大明用户要的是价格和效率。

大明用户还有一个橡卖特点，他没有忠诚度。易到用车的创始人周航有一个朋友跟他说：“我对你的忠诚度就是10块钱。用易到和用其他的打车软件，如果差价是10块以内，那我就选易到。但如果说差价超过10块，不好意思，谁便宜我选谁。”这就是大明用户。

Who is 笨笨？

笨笨的特征是什么？就是我有大概的需求，但是还没有那么明确。

你掘纤问女生她想要一条什么样的裙子，她真的不知道，得看、挑选、比较。京东是服务大明的，那么App小红书就是一个经典的服务笨笨的应用。我们来比较这两个的区别是什么。京东有一个很强的产品目录检索，小红书没有这个功能。而且小红书搜索任何一个结果都会出一大堆产品，你想要用关键词过滤掉？做不到。为什么？故意的。因为女孩儿的目的不是要有效率地、快速地找到自己要的东西，而是想东看看、西看看，看得多了就会忍不住买一样。最后买的东西和她最初想要的东西相不相关，这不重要，这就是笨笨用户。

淘宝，尤其是智能化升级之后的淘宝，更是服务笨笨用户的。马云说淘宝是一个娱乐公司，为什么？因为每天晚上都有2000万的女生在淘宝上逛，什么也不买，就是逛。但是，如果笨笨决定了要买什么产品，那么下一秒有70%-80%的概率，笨笨就会变成大明，然后开始去追求价格。

Who is 小闲？

小闲的特征是什么？就是我没有消费需求，我就是来打发时间的。

如果说网络、京东服务大明，淘宝服务笨笨，那么腾讯其实就是服务小闲的。QQ聊天是因为闲，微信刷朋友圈还是因为闲，你玩游戏依然是因为闲。所以你在任何一个闲的时候，打开腾讯的产品一定可以帮你杀时间。所以腾讯的用户往游戏和视频去转化，转化率就会非常高，为什么呢？因为用户玩游戏也好，看视频也罢，其实他都是因为闲，是沿着小闲既定的心理需求和行为路径发展下去，继续打发时间。但是如果你要让腾讯的小闲流量转化为购物的电商，效果就很差，为什么？因为场景不对。一个人到这来是来打发时间的，如果你突然让他买东西，他会觉得他心理建设没做好，他没有这个预期。

 • 网络服务大明，你要什么说清楚，我帮你找；

 • 淘宝服务笨笨，没什么事你就上来逛吧，有层出不穷的东西给你看；

 • 腾讯服务小闲，闲着没事的时候，打开腾讯的任何一个产品打发时间。

不管大明、笨笨和小闲其实都是羊，你想服务具体哪种羊，你就要按照大明羊、笨笨羊、小闲羊，三种不同羊的需求，制作你的产品。所以具体到痛点、痒点、爽点，你得让大明羊、笨笨羊、小闲羊按照他的心理预期，来吃一口你的草，如果吃得开心就再也离不开了。

最后说狼，对于B2C的企业来讲，如果你是向B端收费，那其实狼就是B端。比如说像京东、淘宝，其实它们都是向上游挣钱的，所以商家是狼。

那对于腾讯呢？其实腾讯的主要收入来源不是在B端，而是在C端，所以我们可以认为腾讯也会把少量的羊卖给狼，但是它主要是靠剪羊毛成为一家巨大的公司的。

一直是今日头条的忠实用户，头条无疑是服务于小闲用户的。推荐算法虽说会让推的内容越来越狭窄，但是确实是不停地推送自己感兴趣的内容给我。比如我喜欢看装修的文章和帖子，头条总会推该类内容给我，有的不乏高质量。感觉较爽。同时信息流加大图的呈现方式，非常容易让用户在使用时上瘾。

同时很欣赏，每个新闻有一个“不感兴趣”的标签设置。如果用户设置了该标签，则不再会推送该类的内容给用户，起到了纠正推送给用户内容过窄的问题。