搜索引擎满足了用户有明确目的时的主动查找需求，而推荐系统能够在用户没有明确目的的时候，帮助他们发现感兴趣的物品。
一、场景
1. 相似商品
常见于商品详情页，基于物品的共有特征（包括用户行为特征或是内容特征等），找到相似物品推荐。
如图19-1，进入商品详情页，首先看到的是图片、标题、参数选择、评价内容，接下来显示的就是推荐的相似商品；
它的目的是，经过前面的了解之后，如果对当前的商品不满意，那么这里提供了与当前商品特征相似的其他商品，这里的关键词是“特征”；
比如我是要给小朋友买个非洲鼓，那么它推荐的非洲鼓可能更多是满足“儿童”特征的。尤其是在当前商品做了广告投放的情况下，推荐特征相似的商品，可以有效的降低页面的跳出率。
图19-1 商品详情页推荐（图片来源：京东、天猫）
2. 猜你喜欢
常见于购物车，它是根据用户历史行为、标签、社交以及物品属性等，计算用户可能感兴趣的物品列表，做个性化Top-N推荐。
以购物车为例，用户把商品加入购物车，说明用户喜欢该商品，有购买意向，跟浏览商品详情页还在了解阶段是完全不同的，这个时候给用户推荐的商品，是基于对当前用户的分析给出的。
所以我们注意到，购物车推荐的商品，除了跟当前加入购物车相似的商品，还包括了当前用户以往收藏、分享类似的商品等。
3. 买了又买/看了又看
常见于支付成功页面，它是基于所有用户的购买或者浏览行为的关联分析（类似于啤酒和尿布的关联分析），找到关联规则较强的物品列表作为推荐列表。
它的逻辑是，找到与当前用户类似的其他用户，把其他用户购买的，但是当前用户未购买的商品，推荐给当前用户。
这里的核心关键词是“用户”，跟前面两个推荐方式不同的是，这里会推荐一些当前用户之前未了解过的商品。
二、冷启动
如何在没有大量用户数据的情况下设计个性化推荐系统，并让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动问题。
冷启动又分成用户冷启动和物品冷启动，用户冷启动是给新用户做推荐，物品冷启动是将新物品推荐给可能对其感兴趣的用户。
用户冷启动可以分为两类：
一是可以查询到相应的用户画像信息，如性别、年龄等，此类用户可以进行粗粒度的推荐；
二是查询不到用户画像信息，该类用户的物品推荐只能依赖于热门物品，即在几个不同的物品分类中，分别取n个最热门的物品进行组合，作为最终的推荐结果。
物品冷启动一般需要分析其标签分类，将冷启动的物品与其他具有相似标签/分类的物品进行关联，在某些推荐栏目中尝试替换具有相似标签的物品进行推荐。
三、实现
推荐工作主要分为三步：
一是特征工程，主要是在推荐模型中加入、提取用户个性化特征或是商品的个性化属性，用于更精确的描述用户行为或是商品信息，从而提高推荐模型的准确性，获得更加精确的推荐结果。
这里实际上就是一个数据埋点、上报的过程，以电商为例，可能包含的数据有：
用户 – 手机、邮箱、地域、性别、年龄；
商品 – 名称、分类、标签、价格、销量、优惠券、收藏数、分享数；
行为 – 登录、注册、加入购物车、提交订单、支付、搜索。
二是根据特征工程上报的数据，通过程序算法，生成推荐原始集。
三是对推荐原始集进行重排序，基于不同算法产生的物品推荐度以及用户画像特征、物品特征等做商品预估排序，生成最终推荐结果列表。
四、评测指标
1. 用户满意度
主要通过调查问卷的形式，用户对推荐系统的满意度分为不同的层次：很喜欢、喜欢、一般、不喜欢等几个层次，更一般的情况下，我们还可以通过点击率、用户停留时间等指标衡量用户的满意度。
2. 覆盖率
描述对物品长尾的发掘能力，覆盖率有不同的定义方法，通常的定义为推荐系统能够推荐的物品占总物品集合的比例。
3. 其他
信任度，如果用户信任推荐系统，那就会增加用户和推荐系统的交互；
实时性，推荐系统需要实时地更新推荐列表来满足用户新的行为变化，同时，需要能够将新加入系统的物品推荐给用户；
健壮性，衡量一个推荐系统抗击作弊的能力。
五、总结
本文以电商为例，去掉了恐怖的算法讲解，用人人都能看懂的方式，分享了个性化推荐常见的3个场景，以及实现步骤、测评指标，希望对各位有所帮助。
