万达娱乐 - 深度学习在电商商品推荐当中的应用

关爱,就是关心爱护,它在我们身边无处不在。我们每个人都需要关爱,生活上也少不了关爱,别人给予我们关爱,那我们更应该去关心爱护他人,这样世界上才会充满——爱!万达国际娱乐

摘要:电商行业中,对于用户的商品推荐始终是一个十分热门并且紧张的话题,有许多比拟成熟的方法,然而也各无利弊。

1.罕见算法套路

电商行业中,对于用户的商品推荐始终是一个十分热门并且紧张的话题,有许多比拟成熟的方法,然而也各无利弊,大致以下:

  • 基于商品类似度:比方食品A和食品B,对于它们价钱、滋味、保质期、品牌等维度,可以较量争论它们的类似水平,可以想象,我买了包子,颇有可能顺路带一盒水饺回家。
    优点:冷启动,实在只有你有商品的数据,在营业初期用户数据不多的状况下,也能够做推荐
    毛病:预处置简单,任何一件商品,维度可以说至多可以上百,若何拔取合适的维度进行较量争论,计划到工程教训,这些也是费钱买不到的
    典范:亚马逊早期的推荐零碎

  • 基于关联规定:最多见的就是经过用户购买的习气,典范的就是“啤酒尿布”的案例,然而实际经营中这种方法使用的也是起码的,首先要做关联规定,数据量肯定要短缺,否则相信度过低,当数据量回升了,我们有更多优秀的方法,可以说没有甚么亮点,业内的算法有apriori、ftgrow之类的
    优点:复杂易操纵,上手速率快,摆设起来也十分方便
    毛病:须要有较多的数据,精度成果个别
    典范:早期经营商的套餐推荐

  • 基于物品的协同推荐:假如物品A被小张、小明、小董买过,物品B被小红、小丽、小晨买过,物品C被小张、小明、小李买过;直观的看来,物品A和物品C的购买人群类似度更高(绝对于物品B),当初我们可以对小董推荐物品C,小李推荐物品A,这个推荐算法比拟成熟,使用的公司也比拟多
    优点:绝对精准,后果可诠释性强,副产品可以得出商品热门排序
    毛病:较量争论简单,数据存储瓶颈,冷门物品推荐成果差
    典范:早期一号店商品推荐

  • 基于用户的协同推荐:假如用户A买过可乐、雪碧、火锅底料,用户B买过卫生纸、衣服、鞋,用户C买过分锅、果汁、七喜;直观下去看,用户A和用户C类似度更高(绝对于用户B),当初我们可以对用户A推荐用户C买过的其余货色,对用户C推荐用户A买过买过的其余货色,优毛病与基于物品的协同推荐相似,不反复了。

  • 基于模子的推荐:svd+、特色值合成等等,将用户的购买行为的矩阵拆分红两组权重矩阵的乘积,一组矩阵代表用户的行为特色,一组矩阵代表商品的紧张性,在用户推荐进程中,较量争论该用户在汗青练习矩阵下的各商品的可能性进行推荐。
    优点:精准,对于冷门的商品也有很不错的推荐成果
    毛病:较量争论量十分大,矩阵拆分的效力及才能瓶颈始终是受束缚的
    典范:惠普的电脑推荐

  • 基于时序的推荐:这个比拟特地,在电商使用的少,在Twitter,Facebook,豆瓣使用的比拟多,就是只要同意和支持的状况下,怎样进行批评排序,具体的可以拜见我以前写的一篇文章:利用:推荐零碎-威尔逊区间法

  • 以持续经营为目标的万达国际娱乐,全力打造游戏环境.

    分类: 万达国际娱乐

    (必填)

    @ Sat Sep 09 15:14:41 CST 2017 万达娱乐 阅读(285) 评论(0) 编辑 收藏