您的位置:首页 > 热点专题

爱上街:混合多重推荐算法 让智能推荐更精准

时间:2020-01-29

近年来,中国的电子商务取得了显着的成绩。随着电子商务网站用户和商品数量的增加,基于数据分析的推荐引擎已经成为影响用户体验和电子商务平台竞争力的重要因素。

众所周知,解决信息过载的方法主要包括类别导航、搜索和推荐,但推荐不同于或优于搜索,因为搜索要求用户知道自己需要什么,而推荐可以帮助用户找到自己需要的东西,或者让你需要的信息主动找到你,更个性化,甚至可以“比自己更了解自己”。

以社交电子商务平台爱街为例。因为有很多种类的商品和相似的商品具有相似的功能和风格,用户在购买时容易出现“信息迷宫”的问题。基于算法框架的智能推荐引擎可以帮助用户从大量的商品中准确地找到所需的商品。

爱上街:混合多重推荐算法 让智能推荐更精准

mixed multiple algorithms的设计提高了推荐的准确性

作为一个电子商务平台,Love Street的智能推荐不仅采用了一定的推荐机制和策略,而且混合了多种算法,达到了更好的推荐效果。

其中最经典的是基于项目的协同过滤算法(IBCF),即在推荐过程中预先计算不同商品之间的相似度结果,然后将结果存储在相似度表中。推荐时,查询该表以预测用户可能的偏好值,从而做出推荐。显然,协同过滤推荐算法的重要基础之一是用户和商品之间丰富的行为数据。用户数据的行为挖掘越深入、越准确,个人智能推荐就越准确。

基于内容的流行度算法是协同过滤算法的有效补充。该算法将根据整个网络的流行程度以及用户喜欢和关注的项目,在内容中找到相似的项目,并推荐相关的类别。该算法可以避免项目的冷启动问题,即如果一个项目从未被关注过,其他推荐算法很少推荐它,但基于内容的流行度推荐算法可以分析项目之间的关系,实现推荐。

此外,Love Street还利用基于基础知识的算法、随机推荐算法等算法机制,以加权或串行、并行等方式混合上述算法,形成独特的算法推荐系统,在平台对用户行为偏好的分析和预测以及提高用户推荐的准确性方面起到了很好的作用。

爱上街:混合多重推荐算法 让智能推荐更精准

创建一个更丰富的数据系统,使生态更加丰富多彩。

事实上,不管算法有多多样,基本的推荐仍然是基于大量用户的行为数据。如何通过技术挖掘更多的数据是平台的重中之重。

行为数据包括点击、收集和订购商品或类别、用户的长期兴趣、短期兴趣和实时兴趣。兴趣主要包括性别、品牌偏好、类别偏好、购买力水平、专有偏好、尺寸和颜色偏好等。商品数据包括产品词、修饰语、品牌词、质量分数、价格、性别、年龄、标签、属性、详细页面等。商品营销数据包括诸如保质期、主要促销、高毛利和自有品牌等营销数据。这些数据不仅为用户寻找商品提供了有效的推荐依据,也为商品寻找用户、实现人与商品的高效匹配提供了依据。

在实际的数据采集过程中,电子商务平台不仅会采用建立用户行为系统等主动采集方法,还会使用机器学习技术来识别图片、文字等被动采集方法。这些方法对平台和商店销售人员来说都是经济有效和可靠的方法,并广泛用于数据收集过程。

爱之街相信数据挖掘的好处是普遍的。以数据为土壤,整个电子商务平台的生态将更加繁荣。因此,作为一个电子商务平台,有必要创建一个更丰富的数据系统,应用更多的相关推荐,并使每个推荐更加准确和智能,从而降低用户的选择成本,为用户提供更好和更高效的购买

日期归档
  • 友情链接:
  • 虎亭新闻网 版权所有© www.friv9x.com 技术支持:虎亭新闻网| 网站地图