爱上街：混合多重推荐算法 让智能推荐更精准

近年来，我国电子商务取得了卓越成果，随着电商网站用户数量和商品数量的增加，基于数据分析的推荐引擎成为影响用户体验以及电商平台竞争力的重要因素。

众所周知，解决信息过载的方式主要有类目导航、搜索、推荐等方式，但推荐不同于或优于搜索的地方在于：搜索需要用户知道自己需要什么，而推荐则可以做到帮助用户发现自己需要什么或者让你需要的信息主动找到你，而且更加个性化，甚至能做到“比你自己更了解你自己”。

以 社交 电商平台爱上街为例，因商品种类众多，同类商品更具有功能相似、风格相似等特点，用户在购买时容易出现“信息迷航”的问题，而在算法框架基础之上的智能推荐引擎则可以帮助用户从海量商品中准确找到所需要的商品。

混合多重算法的设计提高推荐准确度

作为一个电商平台，爱上街的智能推荐并不是单纯只采用了某一种推荐机制和策略，而是多种算法混合在一起，以求达到更好的推荐效果。

其中最经典的莫过于基于物品的协同过滤算法(IBCF)，即在推荐过程中预先计算好不同商品之间的相似度结果，然后把结果存在相似度表中，当推荐时进行表的查询，可预测用户可能的偏好值，从而进行推荐。显然，协同过滤推荐算法的重要依据之一是用户与商品之间丰富的行为数据，对用户数据行为挖掘越深入、越准确，个人智能推荐将越精准。

基于内容的流行度算法是对协同过滤算法的有效补充，该算法将根据全网流行程度，以及用户喜欢和关注过的Item，寻找在内容上类似的Item，推荐具有关联性的类目。这种算法可以避免Item的冷启动问题，即如果一个Item从没有被关注过，其他推荐算法很少会进行推荐，但是基于内容的流行度推荐算法可以分析Item之间的关系，实现推荐。

除此之外，爱上街还同时运用了基于基础知识的算法、随机推荐算法等算法机制，将以上算法以加权或者串联、并联等方式混合，形成独特的算法推荐系统，为平台对用户行为偏好的分析预测，提升用户的精准化推荐起了良好的作用。

创造更丰富的数据体系 让生态更加繁茂

事实上，无论算法如何多样，根本推荐依据仍然是用户的大量行为数据，如何通过技术挖掘更多数据，则是平台的首要之事。

行为数据包括对商品或品类的点击、收藏、下单等，用户的长期兴趣、短期兴趣、实时兴趣。兴趣则主要有性别、品牌偏好、品类偏好、购买力水平、自营偏好、尺码颜色偏好等。商品数据则包括商品的产品词、修饰词、品牌词、质量分、价格、性别、年龄、标签、属性、详情页等。商品 营销 数据则包括商品上架时间、是否主推、是否高毛利、是否自有品牌等营销数据。这些数据不仅为用户找到商品，也为商品找到用户，实现人与货的高效匹配提供了有效的推荐依据。

而在实际的数据搜集过程种，电商平台则不仅会采用设置用户行为系统这样主动的获取方式，也会利用机器学习技术识别图片、文字这样被动的获取，这些方式无论是对平台还是店铺卖家来说，都是性价比高、可靠性高的方法，被广泛运用在数据搜集过程中。

爱上街认为，挖掘数据带来的好处具有普适性，有了数据作土壤，会让整个电商平台的生态更加繁茂。因此，作为一个电商平台，应创造更丰富的数据体系，应用更多的关联推荐，让每一次的推荐更加精准智能，从而降低用户的选择成本，为用户提供更好更高效的购买服务。