发布时间：2020-3-8 分类： 电商动态
所有未经调整的建议都是流氓，不推荐未经调整的建议。
在去商场之前，你告诉自己你今天只买T恤。当你去商场时，你仍然有一个大包… …导购看到你触摸礼服，让你免费试用。结果，你不戴它。愿意一个接一个地起飞。购物指南猜测顾客喜欢什么，推荐顾客尝试，并满足他们各自的心理需求达成交易。电子商务代购源码网站如何猜测用户的想法并推荐商品达成交易？我们不能让人们感受到用户的吸引力。我们只能告诉用户数据和规则。我知道你正在看这个产品。所有未经调整的建议都是流氓，不推荐未经调整的建议。
一、推荐算法
推荐的算法主要包括基于内容的推荐算法，协同过滤算法和基于人口的统计推荐。首先来看以下推荐的算法：
1、内容的推荐算法（CB）：为每个item提取特征建模
CB根据产品相关性建立商品模型建议。产品相关性包括产品类别，属性，参数，关键字，组合商品等。
拿一个简单的板栗，你去买手机，导购看到你进来，知道你买手机，这是商品类别;你说，看看粉红色的苹果，内存更大，指南购买128G红色iPhone7，粉色属性，内存是参数，指导不是水果，因为Apple是iPhone的关键词。当你决定购买粉红色的128G iPhone7时，导购和你说今天购买手机加10元购买手机套，这是推荐的产品组合。电子商务系统也是如此。通过逐步猜测用户的思维，用户将信任该代购源码网站。目前，电子商务中使用的纯CB算法并不多。对于初始代购源码网站，没有用户数据，它主要依靠CB算法来推荐产品。
2、协同过滤算法（CF）
（1）基于用户的CF
基于用户对项目的偏好找到邻居邻居用户，并且将邻居用户最喜欢的推荐给予当前用户。在大学期间，你和经常一起看电影的电影女友，你说最近发布的《摔跤吧，爸爸》非常好，会让你更想看这部电影，因为你知道她喜欢看，一般来说你喜欢看。 “喜欢XX的人也喜欢它，是典型的用户CF.
（2）基于物品的 CF
基于用户对项目的偏好找到类似的项目，然后基于用户的历史偏好向他推荐类似的项目。我经常遇到的是当你买裤子时，导购和你说这是我们最好的销售，只买了一个。除了对象的关联之外，还添加了用户首选项，并且根据流行的偏好，您没有预测到您未表达的项目，例如每个人都在购买。
3、基于人口的统计学推荐
用户之间的相似性根据用户的属性建模由用户特征计算。当用户注册时，通常会添加感兴趣的标签，列表，热点等。
推荐的算法只不过是产品相关性，用户行为和公共行为。
二、运营推广
除了促进操作要求之外，还建议基于数据和规则推荐上述推荐算法。当然，也有生命。当购物指南偶尔强烈推荐某种产品时，有些人会怀疑它是否是佣金。除了特殊活动的推荐之外，您还可以在自然推荐规则中添加人为干扰因素（例如某个品牌优先级），以便您的操作建议不健全。移动端的建议更多地是关于馈送流。该建议不容易被发现，但它会让您愿意分享。
三、无处不在的推荐
以天猫为例。建议的建议不尽如人意。建议越准确越好。
主页：除了各种主题操作之外，根据用户的浏览历史猜测您喜欢的内容
搜索结果页面：添加人为错误因素而不会遗漏痕迹，店主出售
产品详细信息页面：根据大量浏览和产品相关性查看和查看
会员中心：根据用户浏览情况猜猜你喜欢什么
订单详情页面：推荐用于经营活动，注意品牌的热门商品
购物车页面：店主，品牌系列，最近浏览，猜你喜欢
四、2B电商的区别
2B的特殊性再次出现。 2B电子商务适用于企业，企业就会有不同角色操作的人，面向不同的人推荐不同。以购买手机原材料为例，工程师选择产品（选择），他可以决定购买手机电池的规格和品牌，并可以从规格和制造商的尺寸推荐产品推荐。买方购买指定材料，无权更改产品型号和品牌，但他可以决定货物的价格和供应商。产品推荐可以从价格和其他方面开始。
最后，建议不尽可能多。建议越精确越好，推荐越准确，准确度越低，并且用户的眼睛会被反复强奸。
