推薦本身看情景,有的在用戶群較少/商品較少的情況下并不適用,需要基于一定的基礎之后再做。
1、即時推薦
用戶多次瀏覽了一家星巴克多次,在下一次用戶定位在星巴克附近的時候,直接將POI展現在首頁,直接命中用戶的需求。
2、精準展現
情景感知:場景化的猜你喜歡,基于特定的時間、地點、行為,去精準觸達用戶的需求,深入到情景中,能夠帶給客戶良好的體驗,也能大大促進功能的使用效率。
1)已有需求,縮短路徑
電影:用戶到電影院準備取票,打開app,首頁會展示電影取票信息和二維碼,在開場前提醒還有多久開場,影院在哪里。
外賣:定外賣后,首頁顯示外賣訂單狀態(tài),情景感知會提醒預計還有多少時間送達。
2)潛在需求,引導激發(fā)
異地:用戶到達陌生城市,首頁展示好友去過哪些店。
到店:用戶到店后,如該商戶有服務獲交易信息,則首頁展示。
3、個性化推薦
1)算法:較常用的有協(xié)同過濾和apriori算法。
協(xié)同過濾
Base用戶:如果用戶A和用戶B相似性高,那么用戶A喜歡的很可能用戶B也喜歡。=
Base商品:根據商品眾多因子判別不同商品之間的相似性,如果用戶喜歡商品a,則將相似性較高的商品推薦給他。
apriori算法
根據商品與商品之間的關聯(lián)規(guī)則去推薦。
2)推薦所解決的問題:本質上準確度和多樣性的雙重需求。
需要解決用戶行為較少,提升推薦質量,新商品問題,長尾商品問題。(算法根據實際情況而異,比較復雜,不細說)
結合用戶(買家、賣家)分成模型和用戶畫像去搭配不同種類的推薦算法:新用戶,普通用戶,深度用戶。。。