场景一

当你去一家附近新开的商场，走进一家服装店，店内营业员非常热情的欢迎你，并和你做简单的沟通，问你这次主要想要购买的是衣服还是裤子，确定你想要购买的是衣服后，营业员自发的给你挑选了一件看起来还不错的衣服过来，告诉你，这是你们今年的新品，有折扣优惠、卖的特别好，今天就已经卖了很多件，马上就买完了；你想着，衣服看着不错，既然卖的那么好，那就试试吧！ 然后营业员找到合适你的尺码试了上身的效果，你觉得不错，就到柜台结算付钱了。

场景二

你再次去了那家服装店，经过多次购买，你对这家店已经很熟悉了，这次进门时，营业员依然特别热情的欢迎你，同事告诉你最近新到的服装特别符合你的气质，问你要不要试一下，你决定先试试看，试完后你发现营业员给你拿的衣服果然是特别的适合你，因此你决定买下来就去柜台结算付钱了。

传统行业推荐

上面的两个场景是我们在线下门店经常会遇到的情况，而这也是传统零售业中通用的推荐逻辑，从场景一中对于一个新用户进入一家门店后主要的推荐逻辑，而场景二中则是当新用户变为老用户之后的推荐逻辑，而传统零售的推荐主要的瓶颈在于过于依赖于营业员对用户喜好的记忆，而在真正业务运营过程中，一家门店的营业员不可能记录所有用户的喜好再针对的进行推荐；同时营业员本身还存在流动性，也导致传统行业线下推荐形式绝对效益不强

互联网行业推荐

现在我们在线上各类APP中都会遇到各式各样的推荐，比如京东和淘宝等电商首页中发现好货、优品特辑、京东精选、新品发布、为你推荐、特色推荐、有好货、必买清单等等各类推荐场景以及推荐策略.

所有的推荐场景和策略的根本目标主要有以下几个方面

1. 帮助用户快速发现自己想要购买的商品
2. 帮助解决信息过载问题，挖掘长尾需求
3. 提高平台或商家的点击率和转换率
4. 加深对每一个用户的了解，为用户提供更加个性化的服务

推荐结构框架

1. 从结构上来说，推荐系统主要分为召回、打分和排序三个过程
1. 召回过程：召回过程主要是基于现有线索对item的召回；主要分为两步，第一、根据现有的线索进行召回item。
2. 打分过程：打分过程是item在线索维度上进行量化特征提取并打分的过程
3. 排序过程：将各个维度的数据值作为输入值进行搭建综合排序模型，确定最终分值,最终根据综合打分结果进行排序，业界广泛使用的排序模型如：LR(逻辑回归)模型、GBDT模型。打分建模可以基于线下已有数据提前静态分值，也可以实时动态变化

2. 需要注意的是：推荐系统没有明确的用户Query,在召回阶段、打分阶段、以及排序阶段就可以运用相关策略。根据信息分类来看，召回阶段是根据线索找item，打分阶段是将item在进行量化进行特征提取，而排序阶段则是基于信息维度将量化的特征以不同权重进行建模求最终分值并进行排序的过程。

主流的推荐类型

热度推荐：主要基于item自身的信息进行提取线索，一般热度信息相关的线索包含：品牌、品类、折扣、销量、点击、交易量、评价、收藏、曝光点击率，点击购买率等等

关联推荐：基于item的协同推荐算法(itemCF)，主要的相关性在于item之间的关联属性和购买属性

个性化推荐：主要是根据用户画像Personas和item之间匹配度. 如:类目、品牌、价格、消费偏好、品类偏好、消费者RFM、用户标签等

社会化推荐：主要是根据用户和用户之间的相似度进行推荐，主要的算法有基于用户的协同推荐算法UserCF

场景化推荐：主要根据用户所处的具体场景来进行推荐，例如：时间场景(工作、休息、早、中、晚等等)、地点场景、天气场景、具体意图场景

召回策略

在电商行业中，主要的召回策略包含：热门策略、用户行为、用户画像、细分场景和关联策略，而几类召回策略细分来讲主要包括以下内容

热门策略：细分策略主要有基础热度(点击、购买、收藏、评价等等)、地理位置(考虑用户区域偏好)、活动因素、新鲜感

用户行为：细分策略主要有历史行为(流量、搜索)、实时行为(浏览、搜索、收藏、加入购物车)、意图猜测(根据用户实时行为发生时间的先后,加入时间衰减、用户历史浏览、实时浏览等)、协同过滤(召回和用户喜好相似的用户购买过的item)、基于用户的协同过滤推荐算法,召回和用户喜好相似的用户购买过的item

用户画像：细分策略主要有用户特征（性别、职业、偏好、购买频次、社交关系、消费水平等）、用户类型(新用户、老用户、价格敏感用户、忠实用户、薅羊毛用户、普通用户)、用户标签体系（身份标签(学生、白领)、生活标签(新婚、热恋、养宠、植物爱好者)、工作标签(互联网、金融等)、行为标签）

细分场景：细分策略场景主要有时间场景、地理场景、区域场景、天气场景等

关联推荐：itemCF算法，召回和当前item相关的item(相似性、相关性) 例：沃尔玛超市啤酒喝尿不湿放置在附近位置的逻辑

打分策略

打分策略主要是基于上述所有召回策略中所召回的item，根据item在线索上的特征进行提出获取值的过程

排序策略

排序模型权重确定

首先，基于召回的item，提炼对用户有价值的特征

其次，将多个排序特征通过机器学习+规则制定，确定排序权重

1. 机器学习：大部分特征，依赖Machine Learning算法训练，确定不同召回内容的排序权重
2. 规则制定：少部分特征，经评估会有明显数据效果or对用户体验有明显影响,会人为提高or降低权重
3. 排序特征确定

O2O行业中通常做法，将排序特征大致分为item特征、用户特征、用户与item交叉特征、具体情景4大类

1. item特征：根据推荐内容本身的质量得分来影响排序的先后顺序
2. 用户特征：用户特征和偏好来影响排序的先后顺序
3. 用户与item交叉特征：用户对item的历史，实时行为会影响排序的先后顺序
4. 具体情景：特定的具体场景，会影响排序的先后顺序

推荐系统评估指标

1.用户满意度

用户填写满意度或者喜欢不喜欢标签，做正向反馈、同事可以为机器学习模型提供数据源

2.预测准确度

2.1 评分预测

进行线上打分的过程

2.2 TopN推荐（可落地）

• 指标1 准确率与召回率（Precision & Recall）（和搜索系统指标相似）：

1. 正确率、召回率和 F 值指标的定义如下：
2. 正确率 = 提取出的正确信息条数 / 提取出的信息条数
3. 召回率 = 提取出的正确信息条数 / 样本中的信息条数 两者取值在0和1之间，数值越接近1，查准率或查全率就越高。
4. F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）