推薦引擎分為哪幾類，個性化推薦引擎的介紹

在資訊時代的今天，大資料為使用者擷取方方面面的資訊提高了效率，更可以智能的幫助使用者從海量内容中快速找到想要閱讀的資訊，或者從海量商品中快速找到想要購買的商品。推薦引擎的發展讓選擇不明确的使用者更加了解她們的需求和喜好。下面以内容産品和電商産品為例，談談推薦引擎在産品中發揮的巨大作用。

一、推薦引擎的分類

1.根據大衆行為的推薦引擎（對每個使用者給出相同的推薦）

内容産品和電商産品設計中，主要采用引導使用者選擇為目的來進行功能規劃。以淘寶産品為例來說明這類産品設計

搜尋：使用者針對性對想購買的商品名稱進行搜尋，同時根據輔助關鍵詞特性标簽來縮小搜尋範圍來展現最符合使用者喜好的商品。

分類：根據業務需求進行大分類幫助使用者尋找有趣的商品，或者根據商品分類來挑選活動商品。例如：淘搶購中按照時間和分類進行特價秒殺（12個整點秒殺時間段）；聚劃算中按照商品主題進行個性分類（非常大牌、每日必搶、全球精選等）

熱門：手淘中按照生活中熱門場景進行主題分類。展示使用者普遍感興趣的商品主題，如熱門市場（女王範兒、腔調、星範、網紅集合等）。基于使用者感興趣的話題進行商品分類增強了使用者身份認知，将人的興趣愛好和商品聯系起來賦予人格化。

關注：微淘中關注的店鋪動态，淘寶達人動态等主動關注内容。

推薦：微淘中“微淘發現”動态欄目組合了大量不同主題故事的淘寶達人内容，通過推薦熱門的主題事件，将商品故事化幫助使用者更好選擇高品質商品。其中推薦内容涵蓋關注店鋪、精選店鋪、紅人店鋪。另外還有熱門話題榜和買家秀内容推薦。

二.個性化引擎推薦

1.根據使用者的口味和喜好給出更加精準的推薦，幫助使用者快速精準的找到想要購買的商品。

往往個性化推薦算法基于使用者的靜态資訊和動态行為資訊來全方位推薦。

靜态資訊：性别、年齡、收入、購物時間、價格等

動态資訊：搜尋曆史、浏覽記錄、購買記錄、物品評價記錄等

這些詳細的資料源形成有價值的使用者消費行為大資料，大資料基礎上模組化應用提升了推薦效率，更加為平台增加了粘性。

2.三類推薦機制

人口統計推薦：根據使用者基本資訊發現使用者相關度（使用者畫像的模型）

簡單的根據系統使用者的基本資訊發現使用者的相關程度，然後将相似使用者喜愛的其他物品推薦給目前使用者。淘寶目前有海量的使用者消費喜好資料，使用者群體的劃分比較容易推薦相似商品。但是淘寶推薦沒有融入社交朋友元素，往往隻能複制商品連結到其他社交平台進行商品共享進而形成口碑傳播，無法本平台上社交朋友間傳播。

基于内容的推薦：根據推薦物品或者内容的中繼資料發現物品或者内容相關性（内容中繼資料模組化）

根據推薦物品或内容的中繼資料，發現物品或者内容的相關性，然後基于使用者以往的喜好記錄，推薦給使用者相似的物品。

基于協同過濾的推薦

根據使用者對物品或者資訊的偏好，發現内容或者物品本身相關性、發現使用者的相關性

使用者協同過濾算法

基于物品的過濾算法

淘寶的混合推薦機制：采用多種推薦機制将結果分不同的區顯示給使用者

越來越多的朋友反映淘寶猜你喜歡推薦越來越精準了，實際上可以從以下幾個方面來分析：

1.打開手淘首頁時，手指下滑頁面時底部會自動提醒“猜猜你喜歡的寶貝”。猜你喜歡區域中，第一行基于人口統計的推薦，組織使用者喜歡的内容專題進行推薦，并且可以實時更新，為使用者推薦四個不同的商品專題刺激使用者點選。每個内容專題使用俏皮時髦的短語和商品圖檔來吸引眼球。

2.後面是兩列的單個寶貝推薦，基于物品協同過濾算法，根據使用者最近浏覽的商品推薦相類似的商品，相關商品按照使用者曆史浏覽購買時間向下推薦，非常容易找到大量浏覽喜好的商品，節約了商品尋找時間，幫助使用者選擇喜歡的商品。

3.同時大量的商品按照使用者喜好的商品分類，從下到下進行精準交錯推薦，減少了使用者審美疲勞。

　　

　　人工智能、大資料、雲計算和物聯網的未來發展值得重視，均為前沿産業，多智時代專注于人工智能和大資料的入門和科譜，在此為你推薦幾篇優質好文：

1.資料時代，影響推薦系統效果5個因素

2.個性化推薦産品的核心名額有哪些？

3.大資料教程視訊推薦系統的常用算法概述

多智時代-人工智能和大資料學習入門網站|人工智能、大資料、物聯網、雲計算的學習交流網站