推荐场景和推荐算法的联系

如果拓展一下：那就是给什么样的用户推荐什么样的商品。再拓展一下：给什么样的（具有某种特征的用户）用户用什么样的方式（不同场景下的推荐算法）推荐什么样的（与用户特征相匹配的商品）商品。

这样理解的话，我们似乎知道可以从哪里下手了。

1）用户特征与商品特征定义

① 用户和商品的关联关系

我们需要定义一套规则把用户和商品关联起来。这样可以使得用户和商品存在某种关联关系以便达到对某特征的用户推荐关联特征的商品。

可以说用户特征和商品特征之间的关联是相辅相依的。比如：为喜剧电影偏好者推荐喜剧电影。

那么问题来了，用户和商品之间本身不存在关联关系，可以说都是相对独立的，何来关系之有？何谈建立关联关系？

这里的答案是用户的行为，用户行为使得用户和商品之间产生关联。因为一次交互，所以产生了联系。于是便有了关联关系。那么这个“交互”其实就是方才提到的： 点击、播放、收藏、订购等。用户播放了喜剧电影，则意味着用户与该喜剧电影产生了关联关系。

于是乎，我们似乎可以下一个初步的结论，用户可能对喜剧电影感兴趣。进而我们是否可以考虑为该用户推荐喜剧电影呢？有点欠妥，因为仅凭一次观影，数据量不足。

但是如果我们根据用户的大量历史行为数据发现该用户看的电影中喜剧偏多，而此刻我们认为用户对喜剧电影有偏好的结论似乎就可以站得住脚了。进而，我们可以试着给用户推荐喜剧电影了。

② 商品特征和用户特征

商品特征源自于对商品不同维度的描述。这里用商品属性代替。下表中的第一列就是商品属性（业界通常把电影电视剧等统称为媒资，因而后文中牵涉到商品的内容将以媒资来描述）。

商品属性及其属性值。这个比较好理解。下图中的【媒资题材】其实就是属性的一种，对应的属性值有：喜剧、悬疑、动作等等。

而我们可以通过商品具备的属性来建立属于商品固有的特征。商品属性越多，商品特征越丰富。如：一部喜剧电影和一部成龙主演的喜剧电影。很显然是后者的特征更丰富。所以我们明确一点：属性是构成特征的基本要素。

同理，对于用户特征亦是如此。通过用户属性来建立用户固有的特征（通常用用户标签来描述）。下表中是用户特征的简要示例。

在说完商品特征/用户特征以及二者之间的关系后，我们可以发现。用户通过主动行为，与商品发生关联关系，从而建立了用户与商品之间的联系，因而这就为我们做商品推荐奠定了基础。

2）推荐场景及算法逻辑构建

① 推荐场景和推荐算法的联系

通过上述过程，我们建立了用户和商品之间的联系，剩下的工作就是需要一套自动化的程序将二者的关系打通。这个自动化程序即我们要说的推荐算法。

方才有提到，推荐的本质上是基于数据统计推断。而数据我们在这里主要分为两种：

1. 基于用户基本属性数据；
2. 基于用户行为数据（包含历史行为数据和实时行为数据）。

我们先做个小结：这里所有的推荐算法都是基于上述两种数据完成的。

与此同时，我们不妨再回顾一下：给什么样的（具有某种特征的用户）用户用什么样的方式（不同场景下的推荐算法）推荐什么样的（与用户特征相匹配的商品）商品。

这里需要有一个问题值得思考，为什么推荐算法还需要区分场景。

这其实主要源自于应用端需求。比如，我打开了某宝，首页中可能出现了我搜索过的商品种类推荐，而在我下单后可能系统又为我推荐了其他的商品。

这里提到的“首页状态”和“下单后”两种分别属于不同的场景。前者是我刚进app，系统可能通过我过去的行为数据发现我可能对搜索过的商品比较感兴趣，所以为我推荐相关商品，而后者是系统通过全网用户数据发现购买了当前商品A的用户同时也购买了另一款产品B，而此时我购买了该商品于是认为我可能也会下单商品B，所以为我推荐了商品B。

不同的场景下，需要有对应合适的推荐方式。于是我们将推荐场景和推荐算法联系到了一起。