电商网站设计怎样解决搜索系统的推荐场景差异化？网站设计公司资深框架设计师接下来看一下推荐系统在电商平台用户端都有哪些常见展现形式，如图3-17所示。
图3-17推荐的使用一般放在售前环节，通过浏览时的推荐提高用户的购买率，少部分会在购买完成后提示用户，增加二次消费的概率。电商是全天候的售卖平台，但在实际消费的时候用户会有不同的购买场景，不同的购买场景对于推荐的要求也是有差异的。
●时间维度：包括节假期、促销周期等，对于O2O甚至还需要更细致的时间划分，比如早中晚、加班等。不同的时间维度用户对于购买的诉求不一样，推荐给用户的商品也不应该完全相同。
●地点维度：地点维度更多会影响到发货的周期，本地仓库/商家是否有货，决定是否可以早一点将货送到用户的手里。推荐系统要达到场景推荐差异化，就要根据不同情况下获取的不同数据进行分析处理。推荐系统的底层数据源和搜索一样，都是来自于各个业务系统的，推荐系统本身并不会产生业务数据。推荐系统主要是分析人与物之间的关系，因此数据都是围绕这两个点进行延伸的。人指的就是用户本身的信息，包括用户自身的基础信息，比如用户名、联系方式、地址和收藏等，还有消费信息，比如订单信息、会员信息等。这些信息可以对用户在系统中的实体进行初步的构建，以便推荐系统可以通过这些信息分析出人的“特性”。而物品也就是商品信息，商品数据主要是商品的基础信息、促销信息。除此之外，对于埋点的数据也需要进行统计，结合上述内容一起分析。埋点信息包括访问数据、点击数据等。很多时候，一些新的用户和新上架商品并没有历史数据可以追溯，这样就无法提取特征，也就是我们常说的“冷启动”。
商城网站搜索系统设计冷启动的问题也会影响到使用哪种推荐策略，因为不同的推荐策略可能对于数据量的要求也不一样。某些策略依赖于大量的数据进行分析，这个时候不处理冷启动的问题就无法积累数据。为了应对冷启动的问题，人们也找到了一些方法，根本思路就是通过变形或者转化来获取特殊的数据源，以解决无数据的问题。第一种方式提供相对稳定的数据筛选结果，最为常见的例子就是热销排行榜。这种方式是假定所有用户属于一个整体的集合，在这个集合下最关注的商品就是热销品。考虑到人群的从众心理，给新用户推荐热销商品其实是一种相对稳妥的方式，实际证明新用户在冷启动阶段对于热销品有更大的购买动力，而老用户则会更多考虑长尾推荐。数据收集到一定程度后，再将推荐数据转化为更为精细的个性化推荐内容。
网站设计公司发现很多平台的发现页面就是通过这种方式去处理早期数据不全的情况。第二种则是利用用户前期注册时留下的信息进行判断。目前很多平台都会在初始阶段让用户填写一些个人信息和兴趣爱好，这种手段在音乐或阅读类平台用的比较多。通过用户填写的信息来初步构建特征，进行商品推荐的匹配。除了用户本身在平台填写的信息外，目前绝大多数都会使用第三方账户登录，如微信、支付宝等。通过第三方账户登录，在用户授权的情况下也可以导入部分用户行为数据辅助分析用户特征。但由于信息的匮乏，这种推荐会造成颗粒度很粗，可能导致很大一部分用户看到的商品是完全一样的，但实际上他们还是有一定区别的。此外也可以结合上面两种情况来获取信息，比如提供一些特定分类，如热销的商品，让用户进行喜好选择，根据用户的选择匹配相似的商品数据。这样冷启动时可以更好地提供相对精准的推荐数据。不过这个方法对于前期提供选择的商品集合有一定的要求，不能过分地从单一的分类中获取商品，平台要提供品类更丰富的选项，以便后续分析时可以更加准确。上面讲到的是新用户冷启动的数据获取方案，除了用户的冷启动，还有商品的冷启动。
对于上新的商品，我们缺乏对于商品购买人群的数据特征，这就需要通过冷启动获取关联数据，
如图3-18所示。获取数据的思路和用户冷启动所获取数据类似，最基础的方式就是提供特殊标签，如“新品”。通过标签提高权重以达到展示推荐的目的。此外，由于商品的信息是由内部运营人员进行录入的，因此我们可以通过人为的方式获取到更多商品的基础信息。推荐系统可以通过关键词或者标签（Tag）的方式获取商品的关键信息，计算新品与老品之间的相似度来进行推荐。
图3-17推荐的使用一般放在售前环节，通过浏览时的推荐提高用户的购买率，少部分会在购买完成后提示用户，增加二次消费的概率。电商是全天候的售卖平台，但在实际消费的时候用户会有不同的购买场景，不同的购买场景对于推荐的要求也是有差异的。●时间维度：包括节假期、促销周期等，对于O2O甚至还需要更细致的时间划分，比如早中晚、加班等。不同的时间维度用户对于购买的诉求不一样，推荐给用户的商品也不应该完全相同。
●地点维度：地点维度更多会影响到发货的周期，本地仓库/商家是否有货，决定是否可以早一点将货送到用户的手里。推荐系统要达到场景推荐差异化，就要根据不同情况下获取的不同数据进行分析处理。推荐系统的底层数据源和搜索一样，都是来自于各个业务系统的，推荐系统本身并不会产生业务数据。推荐系统主要是分析人与物之间的关系，因此数据都是围绕这两个点进行延伸的。人指的就是用户本身的信息，包括用户自身的基础信息，比如用户名、联系方式、地址和收藏等，还有消费信息，比如订单信息、会员信息等。这些信息可以对用户在系统中的实体进行初步的构建，以便推荐系统可以通过这些信息分析出人的“特性”。而物品也就是商品信息，商品数据主要是商品的基础信息、促销信息。除此之外，对于埋点的数据也需要进行统计，结合上述内容一起分析。埋点信息包括访问数据、点击数据等。很多时候，一些新的用户和新上架商品并没有历史数据可以追溯，这样就无法提取特征，也就是我们常说的“冷启动”。
商城网站搜索系统设计冷启动的问题也会影响到使用哪种推荐策略，因为不同的推荐策略可能对于数据量的要求也不一样。某些策略依赖于大量的数据进行分析，这个时候不处理冷启动的问题就无法积累数据。为了应对冷启动的问题，人们也找到了一些方法，根本思路就是通过变形或者转化来获取特殊的数据源，以解决无数据的问题。第一种方式提供相对稳定的数据筛选结果，最为常见的例子就是热销排行榜。这种方式是假定所有用户属于一个整体的集合，在这个集合下最关注的商品就是热销品。考虑到人群的从众心理，给新用户推荐热销商品其实是一种相对稳妥的方式，实际证明新用户在冷启动阶段对于热销品有更大的购买动力，而老用户则会更多考虑长尾推荐。数据收集到一定程度后，再将推荐数据转化为更为精细的个性化推荐内容。
网站设计公司发现很多平台的发现页面就是通过这种方式去处理早期数据不全的情况。第二种则是利用用户前期注册时留下的信息进行判断。目前很多平台都会在初始阶段让用户填写一些个人信息和兴趣爱好，这种手段在音乐或阅读类平台用的比较多。通过用户填写的信息来初步构建特征，进行商品推荐的匹配。除了用户本身在平台填写的信息外，目前绝大多数都会使用第三方账户登录，如微信、支付宝等。通过第三方账户登录，在用户授权的情况下也可以导入部分用户行为数据辅助分析用户特征。但由于信息的匮乏，这种推荐会造成颗粒度很粗，可能导致很大一部分用户看到的商品是完全一样的，但实际上他们还是有一定区别的。此外也可以结合上面两种情况来获取信息，比如提供一些特定分类，如热销的商品，让用户进行喜好选择，根据用户的选择匹配相似的商品数据。这样冷启动时可以更好地提供相对精准的推荐数据。不过这个方法对于前期提供选择的商品集合有一定的要求，不能过分地从单一的分类中获取商品，平台要提供品类更丰富的选项，以便后续分析时可以更加准确。上面讲到的是新用户冷启动的数据获取方案，除了用户的冷启动，还有商品的冷启动。
对于上新的商品，我们缺乏对于商品购买人群的数据特征，这就需要通过冷启动获取关联数据，
如图3-18所示。获取数据的思路和用户冷启动所获取数据类似，最基础的方式就是提供特殊标签，如“新品”。通过标签提高权重以达到展示推荐的目的。此外，由于商品的信息是由内部运营人员进行录入的，因此我们可以通过人为的方式获取到更多商品的基础信息。推荐系统可以通过关键词或者标签（Tag）的方式获取商品的关键信息，计算新品与老品之间的相似度来进行推荐。
同时我们也可以通过获取第三方的数据来判断用户情况，如获取已安装应用情况，判断性别、年龄和爱好等信息。总结下来，冷启动主要是通过3个方向获取数据：引导用户自填、运营人工分类和第三方获取。好了，网站设计公司本文关于“怎样解决搜索系统的推荐场景差异化？”的建站知识，就分享到这里，谢谢关注，博纳网络编辑整理。
当前文章链接：/construction/design/14242.html
如果您觉得案例还不错请帮忙分享：
[声明]本网转载网络媒体稿件是为了传播更多的信息，此类稿件不代表本网观点，本网不承担此类稿件侵权行为的连带责任。故此，如果您发现本网站的内容侵犯了您的版权，请您的相关内容发至此邮箱【qin@198bona.com 】，我们在确认后，会立即删除，保证您的版权。