推荐系统遇上深度学习(四十三)-考虑用户微观行为的电商推荐

1、问题定义

我们首先来看一下，什么是宏观交互行为和微观行为：

上面的图中，宏观交互行为就是我们的一个点击序列，如iphone7->iphone 6->iphone 7 case -> samsungGalaxy。但是微观行为多种多样，比如我们搜索了iphone，看到了iphone7，点击进入商品详情页后又看了商品的描述和用户的评价，并将其加入购物车等等。同时，每种行为都有一定的停留时间。

因此，我们有如下的符号定义：

P={p₁,p₂,..,p_N}代表N个不同的商品。
A={a₁,a₂,...,a_M}代表M种不同的行为。
D={d₁,d₂,...,d_K}表示将停留时间分为K档。

因此，用户的每一次行为可以表示为(p_i,a_j,d_k)，即用户在在商品p_i上有过a_j行为，并花费了d_k档的时间。

我们的推荐问题就变为了，基于用户的行为序列(p_i,a_j,d_k)，来预测用户下一个可能感兴趣的物品。

2、数据分析

论文收集的信息包含以下四个方面：

Click Source：用户进入商品页的渠道，如主页、搜索页、购物车页、促销页等等。不同的渠道表明了用户不同的偏好，如用户从主页进入到商品页，用户也许只是想随便看看，但如果用户从搜索页进入到商品页，那么在一定程度上说明用户是有明确需求的。

渠道包含下面的五种，从上倒下分别是主页、类别页、促销页、购物车、搜索结果列表：

Browsing Modules：这里是说在商品页，用户浏览的主要模块，比如商品详情介绍、商品评论、规格。

模块这里分了三种，如下图，分别为商品评论、商品规格属性、一直浏览到最底部(即所有的都浏览了)：

Cart and Order:加购和下单行为。这里特别提到的一点是，产品属性不同，代表的复购可能性不同，如用户刚买了一些小吃，那么他极有可能在短时间内再买一次，但是如果刚买了一个电视机，那么他基本不会在短时间内再买一次。

停留时间：停留时间这里划分了5档，如下图：

好了，在介绍了基础的数据之后，作者进行了一定的基础分析，并用excel图表进行了展示。

这里的转化率计算如下：

可以看到，从Click Source来看，通过促销页和购物车页进入商品页，随后完成下单转化的比例最高。从Browsing Modules来看，如果用户阅读了评论、规格活着滑倒了底部的话，其转化率也会高于只浏览商品详情（这里可以简单通过对比Click Source和Browsing Modules的转化率，Click Source的平均转化率相当于所有Browsing Modules + 只浏览商品详情的平均转化率），而从购物车页面直接下单，转化率最高。

再来看停留时间的分析：