推荐一直是电商平台的重要流量入口。以往在电商平台上，推荐的场景更多的覆盖在交易的各个环节，比如详情页、购物车、订单及支付等。近年来推荐发展逐渐的多样化，场景上逐渐覆盖到各流量入口，推荐的实体也扩展到活动、类目、运营位等。

从页面角度来说，几乎所有页面上面都可以进行商品推荐：首页、搜索结果页、详情页、购物车页面、下单成功页、错误页，等等。而不同的页面，推荐的侧重点也会不尽相同。

在电商网站里进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准的理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。甚至在站外推广时，能够做个性化营销。

推荐系统：推荐出现的位置、场景非常复杂

推荐出现的位置、场景非常复杂，几乎所有页面上面都可以进行商品推荐，而不同页面，推荐的侧重点也会不尽相同。比如：首页推荐，用户还没有任何行为，所以一般都是通过该用户的历史轨迹向用户进行推荐。在详情页，用户已经表现出对该商品的强烈兴趣，一般会做类似商品或者组合商品的推荐。

不同位置的推荐产品定位不同：

单品页：购买意图;过渡页：提高客单价;购物车页：购物决策;无结果页：减少跳出率;订单完成页：交叉销售;

关注推荐：提高转化;我的推荐：提高忠诚度;首页猜你喜欢：吸引用户。

推荐系统的价值：

满足用户的好奇心;缩短用户到商品的距离;挖掘用户潜在购买需求;用户需求不明确时提供参考。

星欧平台电商称，推荐系统主要包含系统推荐和个性化推荐两个模块。应用千人千面推荐最多的领域就是电商行业，数千亿的sku和数亿的用户为个性化推荐系统提供了完美的发挥空间。

系统推荐： 根据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。

个性化推荐：对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐。

(一)系统推荐：

系统推荐目的：针对所有用户推荐，当前比较流行的商品(必选) 或 促销实惠商品(可选) 或 新上市商品(可选)，以促进商品的销售量。

实现方式包含：系统自动化推荐 和 人工设置推荐。

(1)系统自动化推荐考虑因素有：商品发布时间、商品分类、库存余量、历史被购买数量、历史被加入购物车数量、历史被浏览数量、降价幅度等。根据我们当前可用数据，再进一步确定(TODO2)

(2)人工设置：提供运营页面供运营人员设置，设置包含排行位置、开始时间和结束时间、推荐介绍等等。

(二)个性化推荐：

个性化推荐目的：对不同的用户，根据他们的口味和喜好给出更加精确的推荐，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐，以促进商品的销售量。

根据推荐引擎的数据源有三种模式：基于人口统计学的推荐(比如：性别、年龄范围、收入情况)、基于内容的推荐、基于协同过滤的推荐。

用户喜好设计：判断用户喜好因素：历史购买、历史购物车、历史搜索、历史浏览等，待确定我们可用数据再进一步细化。结合某个商品的不同行为 统计出 最终对该商品的喜好程度，即对商品的喜好程度，最终以一个数字体现。

关于微信个性化推荐：

在微信购物界面体现的方方面面，主要有关键词推荐(新用户主要通过上下文信息推荐，准确度不是很高)、素材推荐(入口图、焦点图、品牌特卖)、商品(卖场、秒杀、拼购等)资讯(趣好货、购物圈)以及其他如猜你喜欢、类目入口(由于手机屏幕大小原因，条目不能全部显示，智能通过用户兴趣选择用户感兴趣的条目)栏目馆区等

微信上面这些海量个性化推荐业务主要由ABC(AI人工智能、BigData大数据、Cloud云服务)技术支持，主要解决用户体验问题，运营效率问题、业务效果问题。

微信购物推荐系统需要知道解决那些问题：

(1)首先业务需求多，原先想的是一个一个业务对接，但是关键词开发需要人员，资讯开发也需要人员，但是开发人员资源有限，开发压力大，无法应对也无需求;

(2)平台多，接入工作流量大，每个都去对接工作量大;

(3)跨公司问题，数据不是完全共享，安全性能要求高，只能系统对接，因此流量红点压力大;

(4)用户体验问题，只能向前不能倒退；

(5)效果问题，增长放缓，只能从技术、算法方面来提升;

(6)用户量大，资源有限等。

推荐系统核心是“数据”、“算法”、“系统”，有这三种推荐系统就能运行。

电商推荐系统的具体工作是：

首先用户会请求我们的业务系统，之后请求推荐引擎，推荐接入实现业务分流到对应的推荐平台，然后通过推荐算法、模型返回用户所需数据。除此之外还有一个数据的反向上报(行为上报)，因为我们的推荐都是基于大数据，如果我们能收集用户的行为越多，对用户的行为就越准，推荐也就越精确。对用户的(点击，搜索，浏览)做DMP(大数据管理平台)，让模型训练算法，其响应时间一般是限度控制在300-500毫秒。

微信购物推荐系统平台架构如下所示，依据架构依据星欧平台电商软件能够3-5天搭建一个推荐系统。

首先业务层，主要是有哪些业务;

其次是接入层，我们有第三方接入引擎，还要做分流，都要做A/B text;

接入后要做推荐引擎，我们分为三层：为召回策略(添加条件，选择最相关)、打分排序、重排策略;引擎打分需要模型，这一块为计算层。

再然后是数据层，这块主要是用户画像和物料画像以及数据分析等;

最底层是基础平台，来支持我们做推荐，算法训练，我们的实时用的是Spark，离线用的是Hadoop，用CM做集成，用Sklearn/TensorFlow做离线分析，对于大账号推送用全站数。

除此之外比较重要的一个是数据上报，最开始用的是自己研发的用C/C++实现，后来需要与业界对标，采用Flume和Kafka。集群时间是分钟级，但是用户画像是毫秒级，用户画像是基于用户行为而不是数据库。

关于电商推荐系统的思考：

推荐的数据来源很杂，可控度不是那么高，在做任何模型的时候要全面检查数据各个指标;一个迭代动作做完之后，如果没有效果或者负向效果，仔细去对比每个步骤，如果找不到就更细化的去分析，分用户，分不同 trigger 去分析。推荐系统比较复杂，搭建更快的部署方案能让开发时间大大缩减。