天猫没流量?因为你不懂天猫的推介算法

  山猫没有流量?因为你不了解Lynx的推荐算法

  随着算法技术的发展,各大平台推荐的算法越来越精确。我们业务最关心的是如何通过我们的算法向用户推荐我们的产品?这里我将从推荐的算法的逻辑和应用中解决这个问题。推荐的算法逻辑在这里我们抛开专业,繁琐的技巧和公式,介绍常用的三种平台,简单易懂的经典基础推荐算法。 (这次我们介绍的算法案例和逻辑不能等同于理解Lynx平台算法,各个平台算法的差异性和难度比基本算法复杂得多),本章是为了帮助您了解流量的基本规律流程算法,获取增加利润的关键。 1,特征关系推荐这种推荐算法的逻辑是使用户先拍照特征关系人像,然后再匹配图像之间的商品关系。也就是说,通过用户的特征关系来进行匹配,相互匹配。1)用户肖像关系的特征:为了让大家有更加具体的理解,下面将基于矩阵方法介绍这种算法的逻辑,用户可以分类产品理解的特征关系,例如“英格兰,古典,简单,朋克,中性等等”实际上可以把很多特征分成五类,这就使得很容易让我们简化下面的矩阵计算,一个用户对商品特征之间的关系的偏好是不一样的,可以用数字逼近1代表像,接近0代表不喜欢。用户 - 特征关系矩阵:用户 - 英国古典简单朋克中立僧侣0.60 - 用户 - 特征关系矩阵:用户 - 特征关系矩阵:用户 - 古典简单朋克中立和尚0.60 .90.10.10.1礼仪0.10.20.60.80.8悟空0.30.70.40.20.22)产品特点关系人物肖像:我们有被划分的特点之间的关系,不同的物品画廊做特色关系肖像,这里我们只列出五个产品 - 特征关系矩阵:产品英国经典简单朋克中性产品A0.20.50.40.90.1产品B0.10.60.60.30.8产品C0.60.10.40.20.2产品D0。 80.30.40.20.2产品E0.60.30 .40.20.93)用户与产品的推荐匹配:用户应计算商品仓库中产品与最大匹配值之间的特征关系o f表示两者之间最密切的关系。然后,将具有最大推荐值的产品提供给用户。例如,用户“唐僧”和“商品A”匹配计算,相同的乘积和乘积之和的特征之和:0.6 * 0.2 + 0.9 * 0.5 + 0.1 * 0.4 + 0.1 * 0.9 + 0.1 * 0.1 = 0.71用户英国古典简单朋克中立僧侣0.60.90.10.10.1商品英国古典简单朋克中性商品A0.20.50.40.90.1用户“唐僧”关系五大商品特征匹配计算结果是商品最大D值,说明这两个特征的关系最密切,所以会给用户推荐商品D:网友英国古典简单朋克中立僧侣0.60.90.10.10.1商品英国古典简单朋克中性价值商品A0.20.50.40.90.10.71商品B0.10.60.60.30.80.77商品C0。 60.10.40.20.20.53商品D0.80.30.40.20.20.83商品E0.60.30.40.20.90.78类似的,用户“旅程”和“悟空”需要对图书馆中的五种商品进行匹配计算,根据计算结果,你知道如何推荐到Jugu和Goku吗?唐僧五国悟空物品A0.711.160.77物品B0.771.370.91物品C0.530.640.49物品D0.830.70.69物品E0.781.240.77这个特征的关系值是如何量化的?特征关系值可以通过用户的行为数据(如直接购买= 5,产品加购买= 4,产品收集= 3,回访= 2,访问深度= 1,停留时间= -1, 5)如何计算特征关系得分,我们不会深究,其核心是理解特征关系推荐算法的逻辑,2,类似的用户推荐这种推荐的算法逻辑是基于用户“通过类似产品的人群来为用户推荐类似的用户。该算法主要是“多维空间中目标用户与用户组矢量之间的余弦(余弦相似度)”。为了能够理解这一点,我们假设现在有三种产品,“产品A,产品B和产品C”,我们把这三种产品看作是三个维度x,y,z。 (即直接购买= 5,产品购买= 4,产品收集= 3,回访= 2,访问深度= 1,停留时间= -1,直接跳跃= -5)来进行量化。通过这种方式,可以通过用户行为数据在这个三维空间中表达矢量,并且这个矢量可以表示用户的偏好。以上我们通过矢量理解三个产品(三维空间)来表达用户的喜好,然后在多维空间N多产品空间中,当不同用户的不同商品行为时,会有不同的用户向量表达式,根据余弦公式,余弦角=矢量点乘积/(矢量长度),找到目标用户推荐矢量与用户的最小角度,小角度表示偏好越接近,另一方面说两个人的偏好是非常不一样的,找到目标用户,推荐与用户矢量最小的角度,然后当用户购买或者更喜欢一个产品的时候,就可以自然的为目标用户推荐同样的产品。 ,购买商品推荐该推荐算法的逻辑是以产品的目标用户行为偏好为基准,找出产品用户群体行为与最大相关度其他产品的ee推荐给目标用户。简单的想法是,买了与你相同的物品的人,大多数人会为你买。还假定有三件商品“商品A,商品B,商品C”,四位网友“唐僧,法理,五经,悟空”,其中僧人,法理学家,吴泾人都对商品有行为,而悟空唯一商品A做的行为,那么如何做悟空商品推荐?下面的矩阵用来说明:这里用户的量化行为仍然可以理解为:直接购买= 5,产品加购买= 4,产品收集= 3,回访= 2,访问深度= 1,停留= -1,直接跳跃= -5产品A产品B产品C和尚5-22理由214悟空132悟空3? ?目标用户“悟空”确定“产品A”的价值,计算僧侣,八戒,五井用户的偏好(AB)以及产品C(AC)的偏好,并计算产品A,平均值然后计算目标用户A和产品B以及产品C的平均偏好。数值越大,用户认为这两个产品的相对程度越大。因此,最终会推荐产品悟空。产品A产品B产品C和尚5-22理由214悟空132悟空3? ?商品AB商品AC僧侣73木星1-2吴敬-2-1平均20商品AB平均商品AC平均悟空313推荐算法应用通过对上述三种算法的逻辑描述,我们可以发现推荐算法解决的基本问题是需要和想要链接用户。该算法如何定义这个用户是否需要这个产品,并根据用户的过去用户行为,通过描绘用户的行为来拥有一个类似的人群肖像。并且想要这个用户,对于推荐算法逻辑的本质,我们是否需要更多的关注这三点:1,关注人群形象很多店铺都觉得不是自己的人群,交通要的就是争夺大多数品牌和竞争产品是人群的特定肖像,如果不认真分析他们的人群肖像,或只是知道简单的人群肖像,而盲目地竞争交通,导致他们的店面数据下降,如购买速度,收集率,停留时间,评估,转换等等,然后推荐一个产品与用户匹配的算法,如果用户在平台上的肖像是非常清晰的,那么你的商店行为数据的反馈是困难的o与店面竞争与人群清晰的肖像,所以商店早期建议店内人群特点深入分析,准确的流量,回报率将相对增加。 2,挖掘人群对排水的兴趣,对任何潜在的用户偏好要素,建议都要认真控制。钻井和一条龙通过改变标题,不同的想法,会改变转化率,点击率。元素将有一个人群偏好,你想要什么样的人,但应该深入到你的人的兴趣点。 3,商品系统每年都有很多商店在爆炸中建立起来,而不是可持续发展。建议使用竞争产品深入人物肖像,制作更适合人像肖像的相关产品。这里人们的肖像不仅是年龄,消费水平,地理位置,职业等等,还可以更深入地了解人群中人群要素的特征,如何建立商品系统,其实这三种逻辑算法中的每一种算法都是一种方法,你可以回头看三种算法的逻辑是如何挖掘商品。这是十亿国家专栏作家的文章,如果您想转载,请签署内容转载协议,请联系run@ebrun.com