2017年8月3日
接下来会写一系列“电商的推荐系统”相关的文章。主要包括基于物品相似度的推荐、基于用户相似度的推荐、推荐系统冷启动的问题、推荐系统的时效性问题、给用户重复推荐已购买的物品的问题等等内容。对这一方面内容感兴趣的请关注我。
一、啤酒和尿布的故事
啤酒和尿布的故事是一个营销案例中很经典的故事。据说上世纪末，沃尔玛通过数据分析，发现很多客户会把啤酒和尿布一起买。虽然开始的时候没发现“为什么”，但是看到这个规律，他们就希望利用这个规律来帮助提高客单价。于是，沃尔玛将这两件看似不相关的物品，摆在相邻的货架上。这一简单的举措，使得这两件货物的销量都得到了提升。
至于到底为什么啤酒和尿布会在一起购买。一个传说的原因是，很多中年男子要给小孩买尿布，他们常常在买尿布的时候，会一并把家里需要的啤酒也买了（美国人很爱喝啤酒）。
沃尔玛发现的规律是“购买了A的也购买了B”，这种句式是不是很熟悉？
线下的超市有货架的概念，用户在这个商品前，往往能看到这个商品附近的商品。线上的商城也模仿了这一做法，一般在一个商品详情页，不单单是介绍这一个商品，还会附带其他的商品，传统的做法是推荐热门的、推荐同一品类的商品。这也是跟线下的做法类似，因为线下一般是按照品类来放商品。
电商的优势拥有更多的客户行为数据，还有对每一个客户定制“货架”，也就可以为每一个客户定制为ta推荐的商品了。
二、"购买此商品的顾客也同时购买"是什么
"购买此商品的顾客也同时购买”是很常见的功能，上图是一个例子，下面还有两个例子。亚马逊33%的收入是由其推荐系统产生了[1]。
这一段是题外话，可以跳过。《让亚马逊卖出更多商品的推荐系统的秘密》[1] 这篇文章列举了亚马逊9种网页内推荐的模式，还有4种邮件内推荐的模式，非常有参考价值，等到推荐系统这系列的文章更新完，可能会回头聊一下这篇文章，到时候会懂其中门道。
以上的三个例子都是典型的“购买了A的也购买了B”、“喜欢了A的也喜欢了B”这种类型的推荐。需要注意的是，这种推荐是与浏览者的行为记录没有关系的，任何一个用户，只要打开这个页面，看到的推荐都是这一些。
三、"购买此商品的顾客也同时购买”是怎么实现的
看到这一功能的名字，我们应该能猜到它的实现方法。
最简单的办法是，找出所有购买过这个商品的人，然后看这些人买过什么东西，完了按照其他商品也被购买的次数来排序。举一个例子就好理解了。
现在用户在看尿布的商品详情页。我们给用户推荐，购买了尿布的顾客也购买了什么。
上面是一个例子，同时购买啤酒和尿布的顾客有10人，同时购买啤酒和婴儿湿巾的顾客有15人，同时购买啤酒和鸭子玩具的顾客有5人，同时购买尿布和婴儿湿巾的有100人，同时购买尿布和鸭子玩具的有50人，同时购买婴儿湿巾和鸭子玩具的有20人。
这里说明一下“同时购买”的含义，同时购买不要求在同一个购物车里出现，可以是同一客户在不同时间内购买过。比如某个客户购买尿布之后，2个星期之后，又购买了婴儿湿巾，那么“尿布-婴儿湿巾”这一格的计数也会加一。
现在要给买尿布的用户推荐商品，“购买此商品的顾客也同时购买”，只推荐两个那么就会是婴儿湿巾和鸭子玩具了。
这个算法就是这么简单。
如果想了解细节的，参考Cousera的课程《 UW Machine Learning Foundations》[2]，是一位萌萌的教师讲课，声音很好听，讲话很幽默，我吃饭的时候看的，差点笑喷了。
四、流行商品的问题
上面这个算法有很多的缺陷，其中一些缺陷我们后面会说，现在讨论一下流行商品的问题。假设《哈利·波特》这本书特别畅销，我们的客户里大多数都买了这本书，那么就会出现这样的情况，无论是在《硅谷钢铁侠》还是在《小时代》，还是其他什么书的推荐页面里，《哈利·波特》都会排名很前，因为很多用户同时购买了《哈利·波特》和其他书籍。这样会导致推荐的结果覆盖商品较少，而且推荐的商品过于大众化，看起来与当前商品联系不够紧密。
流行商品的问题在其他算法（如基于物品的协同过滤）也会出现。这里我们了解一个解决办法，后面讲到的时候，还会介绍其他解决流行商品问题的办法。
这里要做的比较简单，我们关注的不是同时购买两件商品的人数，而是：
同时购买A和B的顾客数/（购买过A或B的顾客数）
这样一来，对于流行商品，这个数值的分母就会比较大，相当于对流行商品进行了惩罚。商品热门度对推荐排序的影响变小，推荐的结果相关度就会更高。
五、其他问题
这个算法没有考虑用户的行为数据，用户的个人信息（年龄、居住地等）、没有考虑用户购买商品的时间，结果准确度可能并不高。这些问题在这一系列的文章里，后面会谈到。
接下来的文章会写电商里的“猜您喜欢”是怎么做的。
参考
[1] The Amazon Recommendations Secret to Selling More Online. http://rejoiner.com/resources/amazon-recommendations-secret-selling-online/
[2] UW Machine Learning Foundations course. https://www.coursera.org/learn/ml-foundations/lecture/CdmdR/collaborative-filtering-people-who-bought-this-also-bought
网友评论