开发者学堂课程【搜索与推荐技术实战训练营：体验营-智能推荐电商行业（一)】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/919/detail/14487
体验营-智能推荐电商行业（一)
基本内容
一、推荐的业务价值和痛点
二、个性化推荐-用户关怀
三、个性化推荐-商品分发
四、个性化推荐-实战演练
一、推荐的业务价值和痛点
此处需要一些历史追溯....
最早做个性化推荐的是一个电子商务网站，亚马逊在他们做推荐的过程中得到了一个数字，20%-30%呢，是说它的 GMV 引导率有20%-30%都是来源于推荐的场景，它主要应用的三个推荐：
1比较常见的：程序；
2基于好友关系的推荐；
3买了 a 的，可能会买 b，一个关联购买，比如：购买了一个铅笔，可能买一个削笔刀，这是有一个明确的关联关系的，为消费者打造了一个消费者自己的在线商店。
除此之外，也更多地运用到了一些其他的领域，比如说电影和其他的一些平常影院等等；
@“推荐系统之王”电子商务网站亚马逊 20%-30% 消费者自己的在线商店
( 1 ) Today's Recommendations For You
( 2 ) Popular Among Your Friends on Facebook
( 3) Customers Who Bought This Item Also Bought
@ Netlix "Netflix Prize "推荐系统比赛 in 2006 60% 独家的在线影院
此处也需要一些现在的场景....
信息流推荐(逛、买、互动)
社区知识转化(评、学、买)
推荐到底对业务场景有什么价值？从整一个获得的一个渠道上，包括客户的获取存活留存，包括去提升客户的转化，到最终能够让这个客户进行传播来提高战略的一个增长，现在整个环节里都能够做到一个客观效果的提升。
1、客观效果提升
( 1 )提升信息分发效率，点击率提升；要去提升信息的分发效率来保障正品，这样会有更多的一些商品能够有效的高分发；使得商品的点击率也有所提升。
( 2 )新客、老客留存提升，留存率提升；是说从用户的角度是可以增加这个新客和老客的留存率留存率的提升也是依赖于你们能够在这个用户他合适的时间推荐给他合适的商品，让他能够在这个平台里面得到自己想要的，培养出来的一个相对高的名气，
( 3 )转化、收益提升；驻留、转化率提升；包括转换，具体包括用户的驻留时长用户的习惯培养，包括出最终带来的成交额提升。
( 4 )用户、社区活跃度提升；热度消费转化提升；对于一些社区的忠告，比较常见的用户社区活跃度提升，如果有这样一个活跃度等于把流量盘活了，可能为部分是穿插商品，为穿插广告都提供了一个可能。
2、用户体验提升
( 1 )定制化体验
( 2 )多样性体验
( 3 )新颖性体验
( 4 )惊喜度体验
3、站内、站外流量分发-平台心智构建
推荐搜索：它就是一个功能，往整个业务的这样的一个视角来看，构建了一个分发流量的入口，而这些流量有很多地方组成，不管是站外站内还是推荐功能，它构成了整个的流量；在站内站外流量分发里面，有一定规则可循。
（比如说在用户这个层面，它是存在一定的个体特征；不管是它的人口属性也好，社会属性也好，它的一些情感兴趣爱好也好，每个人都是不一样的，到了某个平台之后，心智在平台里面，也是非常差异的，那就要知道他是个什么样的人；当知道了他是个什么样的人之后，才能提升对这个用户流量分发的一个关怀程度，提升流量转化的效率）
4、站内多板块管理-用户心智构建
用户心智的构建，是每个平台所要必经的一条路；
比如说新用户来到一个电商平台，商家的心智就是促进用户下单，有可能是一些别的，根据不同的业务产品是不一样的，要去利用这种多样化的推荐功能，搭建一个用户心智的，它更多的是构建一种用户的浏览习惯，来促成用户的长期驻留以及高效的一个转化。
5、自建推荐的常见问题
推荐效果指标提升，遭遇瓶颈
人力匮乏:训练数据采集、清洗、抽样,召回模型算法、排序模型算法、训练与调度周期等策略的设计与开发,至少需要3个资深算法工程师做全人力投入,以及2个数据工程师全力投入。
l经验不足:推荐作为商品分发的重要入口,除涉及算法模型外,仍
及关乎平台权益如店家/品牌扶持、大促扶持、新品扶持,以及用户体验、阶段性目标优化等多方因素,而这些往往对模型自然
训练的结果造成大幅干扰。在缺乏电商业务经验的条件下,难以设计适配度高的推荐策略。
冷启动问题，难以解决
新用户冷启动:通过多方平台投放广告吸引新用户,却很难在新用户接入后即培养粘性、进而提升新用户留存与转化,造成大量的广告投放实际转化率低、新用户流失严重。
新商品冷启动:商品售卖具备其生命周期,新商品在不具备行为关联的条件下,难以发现其售卖潜力,强插推荐将导致流量的浪费否则将导致商品未达售卖使命即失效,难以设计新品的潜力探测算法与个性化推广策略。
运维成本过高
服务稳定难保障:推荐引擎属于大数据应用领域,容易受到多方离线、近线、在线数据影响,导致效果波动、以及终端消费者体验效果差的问题。
难以应对大促流量:电商平台具备多样的大促活动,在大促活动期间,用户访问量将大幅增长，在应对流量激增时,对在线推荐引擎的实时响应能力提出更高的要求。
二、个性化推荐-用户关怀
1、个性化推荐的数据流转-用户关怀与互动
在不同的平台都有非常个性化、适配业务的地方，在整个个性化推荐里面，它属于一个比较重要的流量入口。在用户这个层面，就是通过一系列的推荐理由，反馈给终端用户它更需要的内容或者我们更需要它知道的内容，再根据这些用户产生的行为数据来校正商家的推荐理由。
（1）个性化推荐的数据流转-用户关怀与互动-承载形式
包括跟用户之间的交流互动，主要存在两种推荐的应用场景。
1猜你喜欢；猜你喜欢的，结合用户长期和短期兴趣进行推荐，可能有过去喜欢的内容，也有近期表现出来的兴趣，是跟用户更加相关联的；
2相关推荐；是商品详情，包括购物车页、订单页的一个相关推荐，更多是去做一些转化，跟商品本身、用户喜欢的风格更加匹配的内容。
（2）个性化推荐的数据流转-用户关怀与互动-新用户
新用户往往是每个电商平台比较棘手的一个推荐难题，在商家已经有这些用户的画像时，基于用户的画像再去看这个平台，消费者具备这类特征的人都喜欢买什么去推荐，但仅有一个唯一的标识，所推荐一般会采取一个热评策略，除了推荐产品的策略，给用户的操作路径的提示，选一些标签选择感兴趣的内容；快速试探；结合一些别的方式，根据给到商店系统一些输入用户的关怀。
（3）个性化推荐的数据流转-用户关怀与互动-体验升级
