问题背景

电商APP一般会有导购场景，在用户打开APP后，引导用户逛起来，帮助用户寻找自己喜欢的商品，如某电商APP的好货日报场景。导购场景做个性化推荐，用户访问时间较长、访问页数较多和点击率较高，说明导购场景比较吸引用户。那么导购场景和猜你喜欢个性化推荐有什么区别，如何能够引导用户逛起来？

问题分析

猜你喜欢个性化推荐，预测用户最喜欢哪些商品，把用户最可能喜欢的商品直接推荐给用户；而个性化的导购场景，即要推荐给用户可能喜欢的商品，还希望用户能够逛，浏览更多的商品，发掘更多可能喜欢的商品。

基于以上分析，个性化的导购场景能够根据用户的兴趣分布，推荐用户兴趣相关的商品。这里用户兴趣从商品粒度拔高到类目粒度，建立用户User Profile，分析用户对类目的偏好，推荐给用户兴趣类目下的商品。

基于User Profile的商品推荐

基于User Profile的商品推荐，分为以下两步

• 分析用户的类目偏好；
• 建立兴趣商品池。

在得到用户类目偏好和商品池后，可以从每个类目筛选如3个商品按照类目偏好强弱依次排序推给用户，再接着从每个类目筛选如3个商品按照类目偏好强弱依次排序推给用户，这样循环推荐给用户 $N$ 个商品。在筛选类目时，也可以对类目偏好强的多选商品，类目偏好弱的少选商品，按类目排好序后推给用户。

用户类目偏好

分析用户类目偏好，量化用户类目偏好，寻找用户兴趣类目。一般商品的类目如下

• 女装
  • 裙子、半身群、衬衫、T恤、西装外套、羽绒服、风衣、连衣裙、马甲
• 男装
  • Polo衫、爸爸装、裤装、卫衣、工装制服
• 零食
  • 酒水/茶/冲饮、坚果/特产、保健食品
• 3C数码
  • 台式机/网络设备、平板/笔记本电脑、数码相机、单反相机
• 家具百货
  • 床上用品、收纳整理、办公用品、文具用品

上面列出了部分常见的商品类目。用户在逛电商APP时，点击(CLICK)、收藏(FAV)、加购(CART)或下单(ORDER)的商品都有自己所属的类目。因此，通过用户有过行为的商品，就可以寻找用户兴趣类目。

考虑用户 $U$ 对商品 $I$ 有点击(CLICK)、收藏(FAV)、加购(CART)或下单(ORDER)行为，每种行为代表了用户对商品的态度和偏好，假设对这4种行为的偏好以评分的形式进行量化，形式化如下

$score=(s^{click}, s^{fav}, s^{cart}, s^{order}).$

用户最近的行为相比历史行为更能够反应用户最近的兴趣，因此，在考虑用户行为评分时，最近的行为的评分应当比历史行为的评分要高些，即从最近一直往前，用户行为的评分应当随着时间衰减。如果衰减系数为 $\alpha$，则距离今天前第 $n$ 天的用户一次CLICK行为评分可定义如下

$score^{click}_{n}(U, I)=\alpha^{n}\cdot s^{(U, I, click)}$

如果用户 $U$ 对商品有 $I$ 的点击(CLICK)、收藏(FAV)、加购(CART)和下单(ORDER)行为在距离今天前第 $n$ 天的行为次数为

$count_{n}(U, I)=(cnt^{(U, I, click)}_{n}, cnt^{(U, I, fav)}_{n}, cnt^{(U, I, cart)}_{n}, cnt^{(U, I, order)}_{n}).$

则第 $n$ 天用户 $U$ 对商品 $I$ 的评分可以定义如下

$score_{n}(U, I)=\sum_{b \in \{click, fav, cart, order\}}(\alpha^{n}\cdot s^{(U, I, b)}\cdot cnt^{(U, I, b)}_{n}).$

每个商品都有自己所属的类目，要量化用户 $U$ 对类目 $C$ 的感兴趣程度，可以直接对类目 $C$ 下商品的评分累加。假设近 $t$ 天用户对类目 $C$ 下有过行为的商品个数为 $m$ 个如下

• $(I_{1}, I_{2}, \cdots, I_{m})$

则用户 $U$ 对类目 $C$ 的评分如下

$$\begin{eqnarray}
score(U, C) & = & \sum_{j=1}^{t}\sum_{i=1}^{m}score_{j}(U, I_{i}) \\
{} & = & \sum_{j=1}^{t}\sum_{i=1}^{m}\sum_{b \in \{click, fav, cart, order\}}(\alpha^{j}\cdot s^{(U, I_{i}, b)}\cdot cnt^{(U, I_{i}, b)}_{j}).
\end{eqnarray}$$

用户类目多样化

通过用户直接有过行为的商品计算用户类目偏好性，存在以下两个问题：

• 当用户行为比较稀疏，或者用户兴趣非常集中时，寻找到的用户兴趣个数非常少，如1个、2个。这时推给用户的列表商品比较单一；
• 用户对直接有过行为的商品的类目有兴趣，按兴趣类目推荐出来的商品惊喜度不够。

为解决以上两个问题，需要丰富用户兴趣类目，即寻找用户感兴趣类目的相似类目，这样推给用户的商品列表的类目较丰富，另外，兴趣类目的相似类目也可以提高惊喜度。

在 基于协同过滤的的商品推荐介绍了基于商品的协同过滤算法，计算商品之间的相似度。每个商品都有所属的类目，因此，可以基于商品相似度计算类目之间的相似度。假设类目 $C_{i}$ 和类目 $C_{j}$ 之间相似的商品集合如下

• $\{(I_{1}^{C_{i}}, I_{1}^{C_j}, sim_{cosine}(I_{1}^{C_{i}}, I_{1}^{C_j}), (I_{2}^{C_{i}}, I_{2}^{C_j}, sim_{cosine}(I_{2}^{C_{i}}, I_{2}^{C_j}),\cdots,(I_{n}^{C_{i}}, I_{n}^{C_j}, sim_{cosine}(I_{n}^{C_{i}}, I_{n}^{C_j})).$

则类目 $C_{i}$ 和类目 $c_{j}$ 之间的相似度可定义如下：

$$sim(C_{i}, C_{j})=\sum_{t=1}^{n}sim_{cosine}(I_{t}^{C_{i}}, I_{t}^{C_{j}}).$$

建立兴趣商品池

在寻找到用户兴趣类目和兴趣类目的相似类目之后，推荐用户兴趣类目下哪些商品成为关键。导购场景下类目选品，选出来的商品要具有吸引力，如下面的策略

• 各类目下的热销商品；
• 根据各类目种子商品寻找相似商品。

根据各类目种子商品寻找相似商品策略中，根据各类目的运营挑选的种子商品，可以通过基于商品的协同过滤算法，在计算出来商品相似度之后，寻找种子商品的相似商品。

模型问题

上述模型中，根据用户类目偏好性，推荐给用户类目偏好的商品。然而，用户的兴趣在一段时间内一般比较稳定，因此导购场景中，用户偏好类目基本不变，推荐给用户偏好类目下的商品尽管定时更新，推荐的商品比较相似，用户容易产生疲劳。

总结

本文主要介绍了导购场景下，基于User Profile的商品推荐，通过对用户建立类目偏好，推荐给用户偏好类目的商品。考虑用户偏好类目可能较少，以及惊喜度，通过计算用户偏好类目的相似类目丰富用户偏好类目。然后介绍了建立用户兴趣商品池的策略，最后，说明了用户类目偏好在一段时间内一般比较稳定，推荐的商品用户容易产生疲劳。