商城网站建设商品推荐策略的“演变”怎样判断用户喜欢的商品，商城网站建设时怎样随着推荐策略的演变并进行推荐就是建立人与商品的关系。网站建设公司以上提到的所有元数据（包括人的信息和商品的信息）都需要根据推荐策略进行关联。推荐的策略发展至今，已经由简单的概率分析延伸为现在比较流行的深度学习。我们讲到，推荐的核心就是建立人与商品的关系，关系较近的则认为它们相关度较高，关系较远则认为相关度较低。在人与商品的关系中还包含人与人、商品与商品的关系，由此构建出一个关系图谱。比如我们常说的用户画像，就是设定人与人关系的基础数据。按照人和商品的维度，我们可以建立一个二维的坐标系，根据坐标远近来判断相关度进而产生推荐的商品信息。由于推荐系统对于算法的要求比一般的电商业务系统要高，因此这里更多从产品维度来介绍推荐策略和算法的一些情况。如果大家想深入了解一些算法，可以自行研究。上面说到，推荐策略即是判断人与商品之间的各种关系，关系越近则认为匹配度越高。
商城网站建设如何去判断关系的远近呢？
对于这个核心的问题的解决，推荐系统也一直在进行发展演变，随着技术的提升，推荐系统也变得越来越智能化。无系统推荐在没有系统推荐的时候，推荐系统更多的是完成人工配置商品的过程。通过人工设定固定商品进行推荐，目前一些不具备推荐算法能力的平台依然会使用此类方法。这样的方式固然可以实现推荐商品，但效率和效果不佳，于是就出现了基于内容的推荐策略。基于内容推荐基于内容推荐的思路是将所有的商品、内容和人等基础实体进行标签标记，系统通过标记的商品属性特征进行分类，当用户进行购买时，系统通过购买的商品判断具备相同属性或者相似属性的商品集合，再通过消重、过滤等规则，完成最终的推荐列表。基于内容的推荐实际上是判断商品与商品的固定关系，我们以一个实例看一下策略的处理方式。假定平台上有一个图书商品库（包括商品A、B和C3个商品），我们基于图书的相关信息为所有图书制订标签特征，包括但不限于图书名称、关键词、图书作者、图书分类、图书定价和图书关键字等。通过标签整理，我们能得到3个商品的特征集，
见表3-1。
如果用户购买商品B，则购买完成以后可以推荐商品A给用户，因为商品A和商品B具备相同或相似的属性（包括书名、关键词、作者和分类等），而商品C则和商品B相差较远，因此不进行推荐。这里面一般是通过加权的方式来判断多个属性是否和购买商品的特征相似或相同，其中，加权以及消重等规则与搜索使用的方法类似。特别说明一下，推荐策略做加权同样需要考虑词频的因素，一般使用的概念是TF-IDF（TermFrequency-InverseDocumentFrequency）。TF为词频，即关键词在当前文本中出现的次数，这里包括所有特征属性；IDF为逆文本频率指数，指在所有文本属性中出现次数的倒数。计算方式是TF×IDF，这项指标表示我们认为在当前文本中出现的高频词是高权重的，但如果该关键词在所有文档中出现频率都高，则认为该词不具备特殊意义，故而权重是很低的。如表3-1中的“经济”词汇，如果只在当前文本特征中出现次数较高，则属于高权重；如果在所有语料文本中都出现很多次，则认为它不应该代表特定意义，只是一个通用的词汇，权重应该降低。基于内容过滤的规则比较简单，初期搭建时可以快速实现推荐功能的自动化，节省人力。但问题也是明显的，首先需要对所有的商品构建特征标签，工作量巨大，同时，由于推荐策略的颗粒度和构建特征的多少有直接关系，因此会造成颗粒度过于粗糙、推荐商品不准确的问题。如果平台本身不具备太多推荐算法的能力，可以通过人工配置加基于内容推荐的方式获取推荐的基本自动化能力。
深圳网站建设公司本文关于“商品推荐策略的“演变”怎样判断用户喜欢的商品”知识就分享到这里，谢谢关注，博纳网络编辑整理。
