商城網(wǎng)站建設(shè)商品推薦策略的“演變”怎樣判斷用戶喜歡的商品，商城網(wǎng)站建設(shè)時怎樣隨著推薦策略的演變并進(jìn)行推薦就是建立人與商品的關(guān)系。網(wǎng)站建設(shè)公司以上提到的所有元數(shù)據(jù)（包括人的信息和商品的信息）都需要根據(jù)推薦策略進(jìn)行關(guān)聯(lián)。推薦的策略發(fā)展至今，已經(jīng)由簡單的概率分析延伸為現(xiàn)在比較流行的深度學(xué)習(xí)。我們講到，推薦的核心就是建立人與商品的關(guān)系，關(guān)系較近的則認(rèn)為它們相關(guān)度較高，關(guān)系較遠(yuǎn)則認(rèn)為相關(guān)度較低。在人與商品的關(guān)系中還包含人與人、商品與商品的關(guān)系，由此構(gòu)建出一個關(guān)系圖譜。比如我們常說的用戶畫像，就是設(shè)定人與人關(guān)系的基礎(chǔ)數(shù)據(jù)。按照人和商品的維度，我們可以建立一個二維的坐標(biāo)系，根據(jù)坐標(biāo)遠(yuǎn)近來判斷相關(guān)度進(jìn)而產(chǎn)生推薦的商品信息。由于推薦系統(tǒng)對于算法的要求比一般的電商業(yè)務(wù)系統(tǒng)要高，因此這里更多從產(chǎn)品維度來介紹推薦策略和算法的一些情況。如果大家想深入了解一些算法，可以自行研究。上面說到，推薦策略即是判斷人與商品之間的各種關(guān)系，關(guān)系越近則認(rèn)為匹配度越高。
商城網(wǎng)站建設(shè)如何去判斷關(guān)系的遠(yuǎn)近呢？
對于這個核心的問題的解決，推薦系統(tǒng)也一直在進(jìn)行發(fā)展演變，隨著技術(shù)的提升，推薦系統(tǒng)也變得越來越智能化。無系統(tǒng)推薦在沒有系統(tǒng)推薦的時候，推薦系統(tǒng)更多的是完成人工配置商品的過程。通過人工設(shè)定固定商品進(jìn)行推薦，目前一些不具備推薦算法能力的平臺依然會使用此類方法。這樣的方式固然可以實(shí)現(xiàn)推薦商品，但效率和效果不佳，于是就出現(xiàn)了基于內(nèi)容的推薦策略?；趦?nèi)容推薦基于內(nèi)容推薦的思路是將所有的商品、內(nèi)容和人等基礎(chǔ)實(shí)體進(jìn)行標(biāo)簽標(biāo)記，系統(tǒng)通過標(biāo)記的商品屬性特征進(jìn)行分類，當(dāng)用戶進(jìn)行購買時，系統(tǒng)通過購買的商品判斷具備相同屬性或者相似屬性的商品集合，再通過消重、過濾等規(guī)則，完成最終的推薦列表?；趦?nèi)容的推薦實(shí)際上是判斷商品與商品的固定關(guān)系，我們以一個實(shí)例看一下策略的處理方式。假定平臺上有一個圖書商品庫（包括商品A、B和C3個商品），我們基于圖書的相關(guān)信息為所有圖書制訂標(biāo)簽特征，包括但不限于圖書名稱、關(guān)鍵詞、圖書作者、圖書分類、圖書定價和圖書關(guān)鍵字等。通過標(biāo)簽整理，我們能得到3個商品的特征集，
見表3-1。
如果用戶購買商品B，則購買完成以后可以推薦商品A給用戶，因?yàn)樯唐稟和商品B具備相同或相似的屬性（包括書名、關(guān)鍵詞、作者和分類等），而商品C則和商品B相差較遠(yuǎn)，因此不進(jìn)行推薦。這里面一般是通過加權(quán)的方式來判斷多個屬性是否和購買商品的特征相似或相同，其中，加權(quán)以及消重等規(guī)則與搜索使用的方法類似。特別說明一下，推薦策略做加權(quán)同樣需要考慮詞頻的因素，一般使用的概念是TF-IDF（TermFrequency-InverseDocumentFrequency）。TF為詞頻，即關(guān)鍵詞在當(dāng)前文本中出現(xiàn)的次數(shù)，這里包括所有特征屬性；IDF為逆文本頻率指數(shù)，指在所有文本屬性中出現(xiàn)次數(shù)的倒數(shù)。計(jì)算方式是TF×IDF，這項(xiàng)指標(biāo)表示我們認(rèn)為在當(dāng)前文本中出現(xiàn)的高頻詞是高權(quán)重的，但如果該關(guān)鍵詞在所有文檔中出現(xiàn)頻率都高，則認(rèn)為該詞不具備特殊意義，故而權(quán)重是很低的。如表3-1中的“經(jīng)濟(jì)”詞匯，如果只在當(dāng)前文本特征中出現(xiàn)次數(shù)較高，則屬于高權(quán)重；如果在所有語料文本中都出現(xiàn)很多次，則認(rèn)為它不應(yīng)該代表特定意義，只是一個通用的詞匯，權(quán)重應(yīng)該降低?；趦?nèi)容過濾的規(guī)則比較簡單，初期搭建時可以快速實(shí)現(xiàn)推薦功能的自動化，節(jié)省人力。但問題也是明顯的，首先需要對所有的商品構(gòu)建特征標(biāo)簽，工作量巨大，同時，由于推薦策略的顆粒度和構(gòu)建特征的多少有直接關(guān)系，因此會造成顆粒度過于粗糙、推薦商品不準(zhǔn)確的問題。如果平臺本身不具備太多推薦算法的能力，可以通過人工配置加基于內(nèi)容推薦的方式獲取推薦的基本自動化能力。
深圳網(wǎng)站建設(shè)公司本文關(guān)于“商品推薦策略的“演變”怎樣判斷用戶喜歡的商品”知識就分享到這里，謝謝關(guān)注，博納網(wǎng)絡(luò)編輯整理。
