乐学 社交电商有前景吗
社交电商行业主要上市公司：拼多多(PDDO)、京东(09618HK)、云集(YJNASDAQ)、美团(03690HK)、蘑菇街(MOGUNYSE)、快手(01024HK)、中国有赞(08083HK)、微盟集团(02013HK)等。
本文核心数据：用户规模、交易规模、投融资金额
行业发展概况
——定义
2021年2月22日，中国服务贸易协会批准发布《社交电商企业经营服务规范》并于同日实施，其中明确提出：社交电商是基于人际关系网络，利用互联网社交工具，从事商品或服务销售并获得合法利益的电子商务活动。社交电商涵盖信息展示、支付结算以及快递物流等电子商务全过程，是新型电子商务的重要表现形式之一。
——产业链剖析：产业链参与者广泛
社交电商定义为零售电商的一个分支，狭义上是指借助社交网站、微博、社交媒介、网络媒介的传播途径，通过社交互动等手段来进行商品的购买和销售行为。从广义上来看，社交电商包括拼购类、会员分销类、社区团购类、导购类、内容类、直播类等。此外，社交电商服务商也参与在社交电商产业链条中。
拼购类主要代表平台有拼多多、京东拼购、京喜、苏宁拼购、淘宝特价版、小鹅拼拼、国美美店、松鼠拼拼等;会员分销类主要代表平台有爱库存、斑马会员、贝店、芬香、花生日记、未来集市等;社区团购类主要代表平台有小红书商城、宝宝树、考拉精选、年糕妈妈、有好东西等;导购类主要代表平台有什么值得买、一淘网、惠惠网、省钱快报、折800、返利网、55海淘网、米折、易购网等;内容类主要代表平台有小红书等;直播类主要代表平台有抖音、快手、淘宝直播等。
行业发展历程：行业逐步进入稳定发展期
在诸多发展要素的合力驱动下，中国社交电商行业快速成长，从探索期逐步进入稳定发展期。
2011-2014年是我国社交电商行业的探索期，在这个阶段，随着微信的用户基数不断扩大，朋友圈、公众号、微信支付等功能不断完善，以个人代购和团队化分销为主要形式的微商群体快速发展，通过微信进行商品销售，这是社交电商的最初形态，与此同时暴力刷屏、假货泛滥、洗脑传销、质量安全等问题频发，消费者信任不断降低。
2015-2016年是市场启动期，行业出现结构性调整，一批善于打造个人品牌的网红/大V凭借优质内容汇集粉丝流量后通过电商变现，KOL/内容电商兴起。与此同时，通过平台载体为入驻商家/个人代理提供全产业链服务并在平台上完成交易闭环的平台型社交电商模式出现，社交电商精细化运营开启。
2017-2018年为高速发展期，腾讯、拼多多接连布局，多家社交电商企业扎堆上市表明多条赛道跑出头部玩家，商业模式成型，跟风入局者众，整体行业迎来整合与争鸣。
2019年至今为稳定发展期，市场和政府双维度规范社交电商。电商法的发布代表着国家层面对这一新兴领域的认可重视和支持发展，社交电商进入发展与规范并举、开放与安全并重的新阶段。
行业政策背景：政策逐步从鼓励发展向规范发展方向迈进
随着社交电商行业的快速发展，国家对相关行业的重视程度也在不断加强，陆续出台了一系列政策，鼓励行业发展的同时明确相关部门责任，规范社交电商行业发展。相关法律法规的颁布一方面为行业从业者合规化经营提供了参考依据，同时也有助于打破公众的偏见和顾虑，为行业建立正面形象。从国家颁布的相关政策趋向上看，行业发展政策逐步从鼓励发展向规范发展方向迈进。
具体来看，截至2021年3月我国社交电商行业相关发展政策规划如下：
行业发展现状：行业规模逐年上升，投资热度不减
——用户规模：用户规模快速增长
近年，社交电商用户规模逐渐递增，2017到2018年，用户规模从473亿人到608亿人，上升至2854%。据网经社“电数宝”电商大数据库显示，2020年用户规模达到78亿人。
——交易规模：交易规模逐年上升
据网经社“电数宝”电商大数据库显示，2020年社交电商市场规模为230005亿元，同比增长1162%。其中，从增速来看，2016年增长率高达9819%，2019年同比增长7171%，受疫情影响，2020年增长1162%，增速呈下滑趋势。
——人均消费规模：人均消费规模逐年上升
从人均消费额来看，根据2016-2020年我国社交电商市场规模及社交电商用户规模数据计算，2016-2020年我国社交电商行业人均消费额成逐年上升的变化趋势，2016年，我国社交电商用户人均消费额为863元，2020年升至2949元，增长2086元。
——投融资现状：行业投资热度不减
2020年，社交电商依然是大众关注的焦点。拼多多、京东、阿里等电商巨头继续发力，而梦饷集团、粉象生活、芬香、纷来、玩吖、拼GIRL、小虎团等诸多社交电商也获得不菲融资。据网经社“电数宝”显示，从2020年1月至2020年12月，国内社交电商行业共发生了18起投融资事件，融资总额超65亿元。涉及的平台包括：梦饷集团、粉象生活、嘿市、芬香、纷来、玩吖、拼GIRL、小虎团、彦祖文化、成物等。截至2021年8月，国内社交电商行业共发生了7起投融资事件。
从投融资轮次分布上看，2020年社交电商行业发生的18起投融资事件中，天使轮、A级各4起，B级、C级各融资1起，Pre级融资5起。从投资轮次看，社交电商领域投资主要以早期投资为主。
行业竞争格局：行业内部竞争激烈
当前，我国社交电商行业主要存在三种竞争者，一是以微信为代表的创业型企业，二是以淘宝、京东为代表的传统电商巨头，三是品牌商。
目前，在社交电商领域，原有线上企业已占据一定市场地位，再加上外部环境不利因素的影响，市场“蛋糕”短期内在缩小，随着线下企业纷纷转战线上，分“蛋糕”的人却越来越多，竞争加剧是必然趋势。2021年1月，网经社电子商务研究中心与网经社“社交电商台”发布《2020年度中国社交电商“百强榜”》。榜单如下：
具体来看，在百强榜中，上市公司类平台有15家，独角兽/千里马类有6家，社区+电商类16家，社区团购类6家，会员制类18家，分销类10家，导购类11家，拼购类5家，服务类13家。
行业发展前景及趋势预测：稳就业、促发展功能逐步显现，2026年交易规模约突破10万亿元
——稳就业、促进乡村地区发展的功能将逐步显现
从电商领域而言，2020年，疫情加速了居民消费习惯的变化，线上渠道成为购物的主要方式，电商也成为零售生态的重要组成部分。2021年将重点抓电商顶层设计，做好“十四五”规划编制，推动数字商务政策落地，促进形成新发展格局。抓网络消费，有效衔接电商扶贫和乡村振兴，促进国内大循环提质。抓开放发展，促进国内国际双循环畅通。在电商发展效能治理上，做好电商系统风险评估和线上安全保障，推进部省数据共享，促进产业安全发展。
——2026年交易规模约突破10万亿元
对于社交电商来说，近年来，随着用户消费习惯的转变，社交电商成为零售电商发展的重要趋势，在“十四五”规划下，社交电商的稳就业、促进乡村地区增长的功能也将逐步显现。
受益于互联网基础设施的完善、全球性物流网络的构建、强有力的政策支持推动和改革创新以及消费者网络购物习惯的逐步养成，我国社交电商市场规模日益扩大，在政策、需求、技术的双重推动下，我国社交电商行业市场规模有望获得较大提高。社交电商爆发势头强劲，市场急速放量，已成为我国网络零售规模增长生力军。
社交用户规模方面，从网经社发布的数据看，近年来，我国社交电商用户规模在经历了2018年的高速增长后，2019-2020年用户规模增速呈现下降趋势，主要原因是在我国主要城市中社交电商用户规模已趋近饱和，而部分乡村地区受经济、互联网普及度等多因素的影响较难普及，再加之部分老龄消费者对社交电商平台使用率较低，多种因素综合作用导致社交电商用户规模难以继续保持高速增长。根据网经社测算，2021年，我国社交电商用户规模约达795亿人，同比增速仅为2%，若以此增速计算，2026年，我国社交电商用户规模约达878亿人。
社交电商交易规模方面，根据网经社数据，2016-2019年，我国社交电商交易规模快速增长，增速高达70%。2020年，受疫情影响，交易规模增速有所下降，仅为12%，预测2021年增速回升至2456%，约达28651亿元，呈上升趋势。但考虑到政策影响，近年来，我国社交电商行业发展政策逐步从鼓励发展向规范发展方向迈进，所以，在未来几年的发展中，社交电商交易规模也难以回归到疫情发生前的高增速。若以30%的增速测算，2026年，我国社交电商交易规模约突破10万亿元。
以上数据参考前瞻产业研究院《中国社交电商行业市场前景与投资战略规划分析报告》。。
电商运营培训机构,推荐玺承电商，正规靠谱专业！
玺承10年电商培训咨询经验，300+Top级导师，1200+细分类目盈利打法，独创“培训+微咨询”的教学模式，帮助电商卖家、企业提高电商运营效率，少走弯路。感兴趣的话点击此处，了解更多
玺承的王牌课程六天六夜就是淘系全方面的知识体系覆盖，从企业主的经营决策（企业发展，盈利，企业主是最关注的也是最关心的）、流量渠道、爆款打造、团队人才复制、品牌突围、多渠道运营、客服培养、站外内容营销等各个维度都做的全方位的内容讲解，
不光是课程体系，还有一个最核心的体系在于有一个一对一诊断环节，是针对企业去量身定制的方案给到你，让你可以带着方案去做执行和落地，其次导师团队以及现场的辅导团队，无时无刻不在协同，及时发现店铺问题及时与之沟通，确保问题能够在六天期间得以解决。
:内容能见度:内容覆盖消费者的广度内容营销 5A 度量体系：
为了丰富商品的表达，帮助消费者发现新鲜事物和优质商品，淘宝越来越注重多种内容的设计与推荐，包括图文介绍、短视频、直播等多种形式，让消费者在淘宝中真正逛起来。
该模型总结出的五个维度指标：
内容能见度：内容覆盖消费者的广度，可用于衡量内容营销第一重效力。
内容吸引度：内容吸引消费者关注，影响消费者情绪的能力，是加强消费者记忆的重要抓手。
内容引流力：内容激发消费者主动了解商品的能力，说明内容已对消费者行为产生明显影响。
内容获客力：内容对消费者购买产生引导转化的能力，可用于评估内容营销种草与拔草的效用。
内容转粉力：内容为品牌沉淀消费者资产的能力，说明内容已引导消费者产生强烈兴趣且不限于购买。
1、新浪扶翼
平台优势：
1数据洞察：依托新浪网、新浪微博及新浪手机的多维度数据，洞察用户行为
2定向精准：支持资源、地域、兴趣、年龄、性别、内容六大维度定向设置
3资源优质：新浪网站核心频道数百资源位，支持，Flash，短链
4创意智能：ADbox，助力中小企业360度多方位展示企业及产品
5多维数据：后台提供六大维度数据统计功能
6效果付费：采用CPM和CPC竞价方式
优势行业：金融，游戏，电商，汽车，app，品牌，出国留学，移民投资，旅游
2网易有道
平台优势：①原生领跑优势
量身定制原生移动广告位，拒绝千篇一律。广告效果是传统banner的5倍。
多元样式彰显创意
②多元样式并存
有道智选广告形式丰富多样。主打定制化原生广告位，如信息流、按钮图、发现功能栏等。
搜索传承精准投放
③精准技术传承
有道通过对海量数据的分析挖掘，准确定位用户需求并智能匹配广告，帮助广告主最大化地提升广告效果。
④海量优质资源
有道媒体矩阵，网易独家资源，引入1000以上原生广告位。多媒体跨终端覆盖，实现海量资源一站式投放。
优势行业：教育，电商，育儿，出国留学，游戏，app
3凤凰广告
平台优势：依托凤凰最优质的频道，凤凰新媒体资产全面打通凤凰网，手机凤凰网，新闻客户端，视频客户端，一点咨询覆盖全国95%网民
优势行业：电商、金融、直播、工具、汽车、游戏、APP等
4广点通
平台优势：①触达总用户数超8亿，日均广告曝光量过百亿
②依靠腾讯庞大的数据库，通过多维度访客定向技术瞄准活跃客户
③拥有先进的实时竞价(RTB)技术，全面的数据实时分析功能
④广告点击单价较低
优势行业：电商，自媒体，app,本地生活，o2o
5微信广告
优势行业：①微信月活跃用户量938亿，一线城市渗透率达93%
②以类似朋友原创内容形式进行展现，依托好友关系链，通过互动形成更加优质的传播
③智能化曝光，高效抢占广告高峰值，每天1218点广告高峰期多条广告同时在线，根据广告质量智能分配曝光
④多维度定向投放，精准触达目标客户
⑤抓取大数据支撑，精准分析投放效果
优势行业：电商、金融、汽车、商超、游戏、装修、品牌、本地门店
6美柚广告
平台优势：唯一一家“纯女性”用户，贯穿女性整个生理周期，她她圈提供社区交流平台，个性化推荐满足女性资讯需求。美柚在育儿业综合数据排名第一，保持绝对优势，是国内最大的女性服务平台，拥有约160个高活跃的女性话题圈，社区内用户日均互动量超500万帖，日均浏览量超过18亿次。
优势行业：品牌类、美妆类、养生调理、减肥塑形、母婴食品、媒体自我推广、摄影写真、口腔、教育培训等
7今日头条广告
平台优势：①5秒算出用户兴趣，根据兴趣智能推荐新闻
②精准定向广告投放，让广告主的预算花的值
③后台灵活 *** 作，实时数据报表
④精准定向广告投放，让广告主的预算花的值
⑤今日头条广告就是新闻、新闻就是广告
优势行业：游戏、教育、电商
8哔哩哔哩广告
平台优势：①大盘以Z时代用户人群为主(1990-2009)且二次元属性明显
②数量可观的PUG视频(86%)。204位“天才内容创作者”，更能激发用户间的共鸣，互动量级10万以上
优势行业：电商APP，金融，教育，化妆品，彩妆
9wifi万能钥匙广告
平台优势：WiFi万能钥匙是基于分享经济模式而推出的免费上网平台。近年来，用户数极速发展，成为位数不多的拥有9亿用户的产品之一
优势行业：电商，游戏，app,教育，娱乐
10知乎广告
平台优势：知乎用户群体属性表现为知识型中产和准中产的特征，Ta们大多生活在一二线城市，年龄
23-40岁之间，拥有本科及以上学历，希望通过专业知识、才智、技能，来换取体面生活与社会地位。
优势行业：知乎用户群体属性表现为知识型中产和准中产的特征，Ta们大多生活在一二线城市，年龄
23-40岁之间，拥有本科及以上学历，希望通过专业知识、才智、技能，来换取体面生活与社会地位。
11陌陌广告
平台优势：中国第3大移动社交平台，9910万月活用户，9910万月活用户，超过3亿人使用
优势行业：金融，游戏，医美，招商加盟
12百度信息流
平台优势：推荐搜索引擎，精准触达网民，覆盖预估95%网民。精准定向，百度搜索引擎全网数据洞察，精准定位用户需求
优势行业：二类电商，金融贷款，教育
13快手广告
平台优势：①短视频流量红利期间
②多种途径转化，成本低：评论区、私信客户转化效果更好③视频类平台更好的收取服务费④“老铁经济”用户粘性强⑤运营的广告永久保存在账户内，可以多次转化
优势行业：祛痘、本地婚纱、教育、招商加盟、车展博览会、游戏、金融
进入抖音我的页面点击右上角三横选项，找到创作者服务中心并点击进入，可看到开通小店功能，点击开通小店选择立即入驻提交资料等审核通过即可。
工具/原料：iPhone12、IOS143、抖音1880。
1、选择三横选项
进入抖音我的页面，点击右上角三横选项。
2、选择创包栗霜作者服务中心
通过三横选项，进入到功能界面可看到创作者服务中心按钮，点击并进入。
3、选择开通小店
进入功能界面后，选择开通小店。
4、选择立即入驻
进入小店界面后，勾选同意立即入驻选项。
5、上传资料成功入驻
进入立即入驻页面后，根据排泉要求上传所需资料，审核通过后即可电处辞商入驻。
本文主要是对最近所学的推荐系统的总结，将会简单概述非个性化范式、群组个性化范式、完全个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的推荐范式的设计思路。
许多产品的推荐算法都依赖于三类数据：标的物相关的描述信息（如推荐鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。这三类数据是推荐模型的主要组成部分，除此之外一些人工标注的数据（例如为商品人工打上标签）、第三方数据也能够用于补充上述的三类数据。
服务端在有以上数据的基础上，就可以从三个维度进行推荐：
根据个性化推荐的颗粒度，我们可以将基于用户维度的推荐分为非个性化推荐、群组个性化推荐及完全个性化推荐三种类型。
非个性化推荐指的是每个用户看到的推荐内容都是一样的 在互联网产品中，我们最常见的非个性化推荐的例子是各种排行榜，如下图是酷狗音乐的排行榜推荐，通过各个维度计算各类榜单，不管是谁看到这个榜单，上面的排序和内容都是一致的。
群组个性化推荐指的是将具有相同特征的用户聚合成一组，同一组用户在某些方面具备相似性，系统将为这一组用户推荐一样的内容 。这种推荐方式是很多产品进行用户精细化运营时会采用的方式，通过用户画像系统圈定一批批用户，并对这批用户做统一的运营。例如音乐软件的推荐播放，若以摇滚乐为基准将一批用户聚合成组，则为这些用户提供的每日推荐歌单是相同的内容和顺序，但与另一组爱听民谣的用户相比，两组用户看到的每日推荐内容将是不同的。
完全个性化指的是为每个用户推荐的内容都不一样，是根据每一位用户的行为及兴趣来为用户做推荐，是当今互联网产品中最常用的一种推荐方式 。大多数情况下我们所说的推荐就是指这种形式的推荐，例如淘宝首页的“猜你喜欢”就是一个完全个性化的推荐，千人千面，每个人看到的推荐尚品都不一样。
完全个性化可以只基于用户行为进行推荐，在构建推荐算法时只考虑到用户个人的特征和行为 ，不需要考虑其他用户，这也是最常见的内容推荐方式。除此之外， 还可以基于群组行为进行完全个性化推荐，除了利用用户自身的行为外，还依赖于其他用户的行为构建推荐算法模型 。例如，用户属性和行为相似的一群用户，其中90%的用户买了A商品后也买了B商品，则当剩下的10%用户单独购买B商品时，我们可以为该用户推荐商品A。
基于群组行为进行的完全个性化推荐可以认为是全体用户的协同进化，常见的协同过滤、基于模型的推荐等都属于这类推荐形式。
基于标的物的推荐指的是用户在访问标的物详情页或者退出标的物详情页时，可以根据标的物的描述信息为用户推荐一批相似的或者相关的标的物，对应的是最开始提到的“标的物关联标的物范式” 。如下图酷狗的相似歌曲推荐，
除了音乐产品外，视频网站、电商、短视频等APP都大量使用基于标的物维度的推荐。如下图便是YouTube基于标的物关联标的物的推荐。在YouTube上我观看一个周杰伦的音乐视频时，YouTube在该页面下方为我推荐更多与周杰伦有关的视频。
基于用户和标的物交叉维度的推荐指的是将用户维度和标的物维度结合起来，不同用户访问同一标的物的详情页时看到的推荐内容也不一样，对应的是开头提到的笛卡尔积推荐范式。 拿酷狗音乐对相似歌曲的推荐来举例，如果该推荐采用的是用户和标的物交叉维度的推荐的话，不同用户看到的“没有理想的人不伤心”这首歌曲，下面的相似歌曲是不一样的。拿淘宝举例的话，一样是搜索“裤子”这一关键词，不同的人搜索得到的搜索结果和排序是不同的，可能用户A搜索出来优先展示的是牛仔裤，而用户B优先展示的是休闲裤，淘宝将结合搜索关键词与用户个人的历史行为特征展示对应的搜索结果和排序。
对于基于笛卡尔积推荐范式设计的推荐系统来说，由于每个用户在每个标的物上的推荐列表都不一样，我们是没办法是先将所有组合计算出来并储存（组合过多，数量是非常巨大的），因此对于系统来说，能否在用户请求的过程中快速地为用户计算个性化推荐的标的物列表将会是一个比较大的挑战，对于整个推荐系统的架构也有更高的要求，因此在实际应用中，该种推荐方式用的比较少。
非个性化范式指的是为所有用户推荐一样的标的物列表，常见的各种榜单就是基于此类推荐规则，如电商APP中的新品榜、畅销榜等。排行榜就是基于某个规则来对标的物进行排序，将排序后的部分标的物推荐给用户。例如新品榜是按照商品上架的时间顺序来倒序排列，并将排序在前列的产品推荐给用户。而畅销榜则是按照商品销量顺序降序排列，为用户推荐销量靠前的商品。
根据具体的产品和业务场景，即使同样是非个性化范式推荐，在具体实施时也可能会比较复杂。例如在电商APP中畅销榜的推荐可能还会将地域、时间、价格等多个维度纳入考虑范围内，基于每个维度及其权重进行最终的排序推荐。
大部分情况下，非个性化范式推荐可以基于简单的计数统计来生成推荐，不会用到比较复杂的机器学习算法，是一种实施门槛较低的推荐方式。基于此，非个性化范式推荐算法可以作为产品冷启动或者默认的推荐算法。
完全个性化范式是目前的互联网产品中最常用的推荐模式，可用的推荐方法非常多。下面对常用的算法进行简单梳理。
该推荐算法只需要考虑到用户自己的历史行为而不需要考虑其他用户的行为，其核心思想是：标的物是有描述属性的，用户对标的物的 *** 作行为为用户打上了相关属性的烙印，这些属性就是用户的兴趣标签，那么我们就可以基于用户的兴趣来为用户生成推荐列表。还是拿音乐推荐来举例子，如果用户过去听了摇滚和民谣两种类型的音乐，那么摇滚和民谣就是这个用户听歌时的偏好标签，此时我们就可以为该用户推荐更多的摇滚类、民谣类歌曲。
基于内容的个性化推荐在实 *** 中有以下两类方式。
第一种是基于用户特征标识的推荐。
标的物是有很多文本特征的，例如标签、描述信息等，我们可以将这些文本信息基于某种算法转化为特征向量。有了标的物的特征向量后，我们可以将用户所有 *** 作过的标的物的特征向量基于时间加权平均作为用户的特征向量，并根据用户特征向量与标的物特征向量的乘积来计算用户与标的物的相似度，从而计算出该用户的标的物推荐列表。
第二种是基于倒排索引查询的推荐。
如果我们基于标的物的文本特征（如标签）来表示标的物属性，那么基于用户对该标的物的历史行为，我们可以构建用户画像，该画像即是用户对于各个标签的偏好，并且对各个标签都有相应的偏好权重。
在构建完用户画像后，我们可以基于标签与标的物的倒排索引查询表，以标签为关键词，为用户进行个性化推荐。
举个粗暴的例子，有歌曲A、B、C分别对应摇滚、民谣、古风三个音乐标签，我听了歌曲A、B，则在我身上打了摇滚和民谣的标签，又基于我听这两个歌曲的频率，计算了我对“摇滚”和“民谣”的偏好权重。
在倒排索引查询表中，摇滚和民谣又会分别对应一部分歌曲，所以，可以根据我对摇滚和民谣的偏好权重从查询表中筛选一部分歌曲并推荐给我。
基于倒排索引查询的推荐方式是非常自然直观的，只要用户有一次行为，我们就可以据此为用户进行推荐。但反过来，基于用户兴趣给用户推荐内容，容易局限推荐范围，难以为用户推荐新颖的内容。
基于协同过滤的推荐算法，核心思想是很朴素的”物以类聚、人以群分“的思想。所谓物以类聚，就是计算出每个标的物最相似的标的物列表，我们就可以为用户推荐用户喜欢的标的物相似的标的物，这就是基于物品的协同过滤。所谓人以群分，就是我们可以将与该用户相似的用户喜欢过的标的物(而该用户未曾 *** 作过)的标的物推荐给该用户，这就是基于用户的协同过滤。
常见的互联网产品中，很多会采用基于标的物的协同过滤，因为相比之下用户的变动概率更大，增长速度可能较快，这种情况下，基于标的物的协同过滤算法将会更加的稳定。
协同过滤算法思路非常简单直观，也易于实现，在当今的互联网产品中应用广泛。但协同过滤算法也有一些难以避免的问题，例如产品的冷启动阶段，在没有用户数据的情况下，没办法很好的利用协同过滤为用户推荐内容。例如新商品上架时也会遇到类似的问题，没有收集到任何一个用户对其的浏览、点击或者购买行为，也就无从基于人以群分的概念进行商品推荐。
基于模型的推荐算法种类非常多，我了解到的比较常见的有迁移学习算法、强化学习算法、矩阵分解算法等，且随着近几年深度学习在图像识别、语音识别等领域的进展，很多研究者和实践者也将其融入到推荐模型的设计当中，取得了非常好的效果。例如阿里、京东等电商平台，都是其中的佼佼者。
由于该算法涉及到比较多的技术知识，在下也处于初步学习阶段，就不班门弄斧做过多介绍了，有兴趣的朋友可以自行进行学习。
群组个性化推荐的第一步是将用户分组，因此，采用什么样的分组原则就显得尤为重要。常见的分组方式有两种。
先基于用户的人口统计学数据（如年龄、性别等）或者用户行为数据（例如对各种不同类型音乐的播放频率）构建用户画像。用户画像一般用于做精准的运营，通过显示特征将一批人圈起来形成同一组，对这批人做针对性的运营。因为前头已经提到此算法，这里不再重复介绍。
聚类是非常直观的一种分组思路，将行为偏好相似的用户聚在一起成为一个组，他们有相似的兴趣。常用的聚类策略有如下两类。
标的物关联标的物就是为每个标的物推荐一组标的物。该推荐算法的核心是怎么从一个标的物关联到其他的标的物。这种关联关系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他维度的关联（例如互补品，羽毛球拍和羽毛球）。常用的推荐策略是相似推荐。下面给出3种常用的生成关联推荐的策略。
这类推荐方式一般是利用已知的数据和标的物信息来描述一个标的物，通过算法的方式将其向量化，从而根据不同标的物向量之间的相似度来急速标的物之间的相似度，从而实现相识标的物的推荐。
在一个成熟的产品中，我们可以采集到的非常多的用户行为，例如在电商平台中，我们可以手机用户搜索、浏览、收藏、点赞等行为，这些行为就代表了用户对某个标的物的某种偏好，因此，我们可以根据用户的这些行为来进行关联推荐。
例如，可以将用户的行为矩阵分解为用户特征矩阵和物品特征矩阵，物品特征矩阵可以看成是衡量物品的一个向量，利用该向量我们就可以计算两个标的物之间的相似度了，从而为该用户推荐相似度高的其他产品。
再例如， 采用购物篮的思路做推荐，这种思路非常适合图书、电商等的推荐 。 以电商为例，我们可以把用户经常一起浏览(或者购买)的商品形成一个列表，将过去一段时间所有的列表收集起来。对于任何一个商品，我们都可以找到与它一起被浏览或者购买的其他商品及其次数，并根据次数来判断其关联性，从而进行关联推荐。
我们可以对用户进行分组，同样，我们也能够对标的物进行聚类分组。通过某位参考维度，我们将一些列具有相似性的标的物分成一组，当我们为用户进行推荐的时候，便可以将同一组内的其他标的物作为推荐对象，推荐给用户。
笛卡尔积范式的推荐算法一般是先采用标的物关联标的物范式计算出待推荐的标的物列表。再根据用户的兴趣来对该推荐列表做调整（例如根据不同兴趣的权重重新调整推荐列表的排序）、增加（例如基于个性化增加推荐对象）、删除（例如过滤掉已经看过的），由于其复杂程度较高在实际业务场景中应用较少，这边不再详细介绍。
好了，本次的介绍就到此为止了。本次主要是做了一个非常简单的推荐算法概述，在实际的业务场景中，还经常需要与产品形态或者更多的未读（如时间、地点等）相结合，是一个很有意思的领域，有兴趣的朋友可以进一步了解。
0条评论