为用户查找内容节约时间的电商推荐系统的优化

目前在各大电商、博客等网站中充斥着各种推荐版块，以便帮助用户更好的找到所需的商品、应用和服务等。各大电商网站的数据已经证明推荐系统的广泛成功。其中亚马逊的推荐系统最为引人注目，其网站推荐的销售转化率可以高达60%，其所推荐的商品绝非无的放矢。网站如何合理运用推荐系统？这个需要先了解推荐系统的原理。

从现在的情况来看，目前较为领先的推荐系统都是通过协同过滤技术来实现的。协同过滤技术主要可分为：基于用户的协同过滤、基于项目的协同过滤、基于模型的协同过滤。一个基于用户的协同过滤过滤算法通常的做法是对一大群人进行搜索，并从中找出与我们品位相近的一小群人。完成这些功能对网站产品设计人员来说，需要做以下的几件事情：

1、 搜集用户偏好。要收集用户偏好，需要设计一套获取这些信息的方式，让用户来参与，一方面是通过用户在网站中的浏览和操作分析用户行为，另外一方面需要积极的用户参与一些如评分等的内容，获取用户偏好。无论何种方式都需要将这些内容对应到数字以形成相应的数字集合。

2、 寻找相近的用户。有了用户偏好的数据我们需要通过一些统计算法和数据挖掘技术来确定用户品位的相似程度，并与其他人进行对比，得出相似度评价值。欧几里德距离、皮尔逊相关度、余弦相似性、调整余弦相似性、Jaccard系数、曼哈顿距离算法等，这些算法各有所长，需要根据具体的需要选取一种或多种进行组合运用。

3、 为评论者打分。通过上面的一系列准备，在这一步就需要找到最接近的匹配结果，找到用户的最近郊（品位相似的人群）。

4、 推荐物品。这是我们的最终目的，在上述的数据支撑下，我们可以向用户推荐相似人群的需求或购买的信息、提供意向商品或者推荐其他项目的内容。

通过上面的简单描述，对推荐系统可以有一个大概的印象，那么具体实施中需要注意的内容也是很多。

1、搜集用户信息，这一步需要对网站的数据统计和分析是很大的挑战，我们需要尽可能多的收集用户的每一个行为，并引导用户去操作对我们搜集信息有利的操作，并合理设置这些功能，避免用户疲劳和反感。

2、数据库及统计算法的运用，合理的数据库配置将尤为重要，数据的分析到位和准确将决定下方是否可以继续和有效的执行。

3、推荐商品和服务时，此处可操作性很大，一方面通过程序进行，一方面需要人工干预（亚马逊仍然有大量的人工推荐）。通过这些在网页上进行，另外可以更具上面的数据，展开其他方式的推荐，如邮件、短信等等。邮件的推送在这里也是尤为重要，不可忽视。

通过推荐系统引入，为用户查找内容节约时间，并精准投放，用户能尽快的找到所需的内容或商品，购买欲望会持续进行，一些细节的优化会对网站的转化率提高带来更多意想不到的提升。