隨著算法技術的發展，各大平臺對用戶推薦的算法是越來越精準了，我們商家最關心的是自己的產品怎麼才能被算法推薦給用戶呢？這裡我將從推薦算法的邏輯與運用為大家解開疑問。
一：推薦算法邏輯
這裡我們拋開專業、繁瑣的技術與公式來介紹三種各平臺常用的、通俗易懂的、經典的基礎推薦算法。（此次我們介紹的算法案例與邏輯並不能等同於理解是天貓平臺的算法，各平臺的算法差異與難度遠比基礎算法複雜），本篇是為了幫助大家理解算法流量競爭的基礎規律，獲得提升利潤的一把密鑰。
1、特徵關係推薦
這種推薦算法的邏輯是對用戶先做一個特徵關係畫像，再去匹配有此特徵關係畫像的商品。也就是通過用戶的特徵關係作為牽線，相互匹配。
1）用戶特徵關係畫像：
為了讓大家能更具象的理解，下面會用基礎的矩陣方式來介紹下這種算法的邏輯。用戶對產品理解的特徵關係做出分類，如“英倫、古典、簡易、朋克、中性……等等”其實可以劃分出非常多的特徵關係，這裡只列舉5類，方便我們簡化後面的矩陣計算。一個用戶對商品的特徵關係偏好程度是不同的，可以用數字趨近1代表很喜歡，趨近0代表不喜歡。我們假設挑選3個用戶“唐僧、八戒、悟空”，用矩陣的形式表達3個用戶對商品特徵關係的畫像。
用戶——特徵關係矩陣：
2）商品特徵關係畫像：
我們對已劃分出的特徵關係，對商品庫中不同的商品做特徵關係的畫像，這裡我們只列舉5個商品，下面我們用矩陣的形式表達。
商品——特徵關係矩陣：
3）用戶與商品的推薦匹配：
用戶要與商品庫中商品做特徵關係匹配計算，哪個商品的匹配值最大說明兩者特徵關係最相近，那麼就推薦值最大的這個商品給到用戶。
例如用戶“唐僧”與“商品A”的匹配計算，相同特徵關係數值相乘再求和：0.6*0.2+0.9*0.5+0.1*0.4+0.1*0.9+0.1*0.1=0.71
用戶“唐僧”對5個商品特徵關係匹配計算結果為商品D值最大，說明兩者特徵關係最相近，因此就會給用戶推薦商品D：
同理用戶“八戒”“悟空”都需要對庫中5個商品做匹配計算，根據計算結果你是否知道該如何給八戒和悟空推薦商品呢？
這個特徵關係值是如何量化給定的呢？特徵關係值可以通過用戶的行為數據來做推算，（如：直接購買=5, 商品加購=4, 商品收藏=3, 回訪=2 , 訪問深度=1, 停留時間=-1 , 直接跳失=-5 ），如何具體推算特徵關係的分值，這裡就不在深講，核心是理解特徵關係推薦算法的邏輯。
二：相似用戶推薦
這種推薦算法的邏輯是以用戶的行為數據，找到相似的用戶，通過相似人群喜好的商品來為用戶推薦。算法主要是“多維空間中目標用戶與用戶群向量夾角的餘弦（餘弦相似度）”。
為了能具象理解，假設現在有三個商品“商品A、商品B、商品C”，我們把三個商品看成三個維度x軸、y軸、z軸。
當用戶對商品產生行為就可以在三個維度軸做量化（比如：直接購買=5, 商品加購=4, 商品收藏=3, 回訪=2 , 訪問深度=1, 停留時間=-1 , 直接跳失=-5），這樣就可以通過用戶行為數據在這個三維空間裡表達出一個向量，而這個向量就可以代表用戶的喜好。
以上我們瞭解了三個商品（三維空間）通過向量來表達用戶的喜好，那麼在N多商品的多維空間下，當不同用戶對不同商品發生了行為，會產生不同用戶的向量表達，根據餘弦公示，夾角餘弦 = 向量點積/ (向量長度的叉積)，找到要推薦的目標用戶與之向量夾角最小的用戶。夾角越小說明喜好越接近，反之表示兩個人喜好很大不同。
找到要推薦的目標用戶與之向量夾角最小的用戶，那麼當這個用戶購買或偏好了某個商品，自然就可以為目標用戶推薦相同的商品了，4月底春哥私董會給大家帶來最前沿的淘寶搜索算法解密。
三：已購商品推薦
這種推薦算法的邏輯是以目標用戶對某個商品產生的行為偏好為基準，找到這個商品用戶群行為關聯度最大的其它商品，推薦給目標用戶。簡單的理解就是和你買了相同的商品的人，大多數人又買了什麼就給你推薦什麼。
仍然假設有三個商品“商品A、商品B、商品C”，四個用戶“唐僧、八戒、悟淨、悟空”，其中唐僧、八戒、悟淨都對商品產生了行為，而悟空只對商品A做了行為，那麼如何給悟空做商品推薦呢？
下面用矩陣的形式來說明：
這裡用戶的行為量化仍然可以理解為：直接購買=5, 商品加購=4, 商品收藏=3, 回訪=2 , 訪問深度=1, 停留時間=-1 , 直接跳失=-5
確定了目標用戶“悟空”對“商品A”行為值，計算出唐僧、八戒、悟淨用戶商品A與商品B的偏好（A-B），商品A與商品C的偏好(A-C)，算出商品A、商品B偏好均值，再計算目標用戶商品A與商品B、商品C的均值偏好，值越大反映出人群用戶對兩個商品認為關聯度相對越強，因此最終會推薦悟空商品C。
三：推薦算法應用
通過對以上三種算法的邏輯簡述，我們可以發現推薦算法解決的本質問題就是在鏈接用戶的需要和想要。而算法如何定義這個用戶是否需要和想要這個商品，會根據這個用戶過往的用戶行為，通過行為畫像將用戶歸類到有相似畫像的人群。相似人群對商品的偏好反饋來判斷這個用戶的需要和想要。針對推薦算法邏輯的本質我們是否需要更核心關注這三個點。
1、聚焦畫像人群
很多店鋪覺的不管是不是自己的人群，是流量都想要去競爭，對於大多數品牌和競品都是有特定的畫像人群的，如果你沒有認真去分析自己的人群畫像，或者只知道簡單的人群畫像，而盲目去競爭流量，導致自己店鋪數據拉低，如加購率、收藏率、停留時間、評價、轉化等。那麼推薦算法在給某個用戶匹配商品時，如果這個用戶在平臺的畫像很清晰，你的店鋪行為數據的反饋就很難和有明確畫像人群的店鋪去競爭，因此店鋪前期要建議深入分析店鋪人群特徵，流量的精準，回報率也相對會提高。
2、挖掘人群興趣
在引流時，任何能對用戶產生偏好的潛在元素，建議都應該認真把控。鑽展和直通車通過更改標題，和不同的創意，都會對轉化率、點擊率有所改變。不同的元素都會帶有人群偏好，而你想要什麼樣的人群，更應該深入挖掘你的人群興趣點。
3、貨品體系組建
很多店鋪年年在都在打爆款，卻不能持續發展。建議通過競品深入人群畫像，針對人群畫像做出更符合人群畫像的關聯商品。這裡所說的人群畫像，不單單是年齡，消費層級，地域、職業等，可以更深入商品元素特徵來做人群畫像，如何去組建貨品體系，三種邏輯算法其實每一個都是一種方法，可以在回過頭再仔細看下三種算法的邏輯是怎麼挖掘貨品的。
閱讀更多 運營小鑫鑫 的文章
