很多人會(huì)問(wèn)到亞馬遜有沒有什么規(guī)律可循，其實(shí)可以改變思路，了解學(xué)習(xí)下亞馬遜推薦的算法，就能很輕松的掌握亞馬遜的規(guī)律 。

現(xiàn)在看到的一些推薦算法，一般都是基于物品自身相似性、用戶瀏覽習(xí)慣、喜歡、購(gòu)買記錄等數(shù)據(jù)的綜合過(guò)濾推薦。

例如商品甲被用戶1，2，3，4，5，6等購(gòu)買過(guò)，商品乙被用戶1，3，4，5，7購(gòu)買過(guò)，然后把123456作為商品甲的特征屬性數(shù)據(jù)，13457作為商品乙的特征數(shù)據(jù)，然后計(jì)算商品甲和乙的相似度。

因?yàn)橥粋€(gè)人群買了甲，又買了乙，那么甲和乙一定有某種關(guān)聯(lián)。

采集用戶的購(gòu)買、瀏覽、收藏等商品數(shù)據(jù)，把用戶購(gòu)買的商品列出來(lái)，當(dāng)作用戶的屬性緯度。例如用戶A購(gòu)買了商品1、2、3、4、5，用戶B購(gòu)買了商品1、2、5、6，那么可以簡(jiǎn)單的將12345和1256分別作為A和B的屬性特征字符串，計(jì)算A和B的相似度，經(jīng)過(guò)簡(jiǎn)單的聚類將用戶聚成幾個(gè)類別（鄰居）。

假設(shè)A和B同屬于一個(gè)聚類，那么可以稱A和B有比較相似的偏好，繼而可以將A買過(guò)而B沒買過(guò)的其他商品推薦給B。在這一個(gè)流程里，可以發(fā)揮的地方有很多：

比如衣服甲和衣服乙，對(duì)于它們?cè)?/span>風(fēng)格、價(jià)格段、分類、屬性、品牌定位等等的表現(xiàn)，來(lái)計(jì)算它們之間的相似度，如果相似度高，那么在有用戶瀏覽甲的時(shí)候，就可以推薦乙，實(shí)際當(dāng)然沒這么簡(jiǎn)單。

       衣服的這些屬性是不依賴于用戶的。正是不依賴與用戶的行為數(shù)據(jù)，因此比較死板，完全沒有個(gè)性化的推薦。

       這個(gè)算法的思路很多人都清楚，但是越是簡(jiǎn)單的算法，要達(dá)到好的效果就越是難，特別是推薦這種轉(zhuǎn)化率非常低的算法。

       商品有幾十個(gè)屬性，對(duì)不同分類的商品，并不是所有的屬性都是有必要納入相似度計(jì)算的，已經(jīng)納入的屬性但是重要性也是有區(qū)別的，這樣一來(lái)，光給不同類別商品篩選必要屬性以及設(shè)置這些屬性在相似度計(jì)算中的權(quán)重值，就是一項(xiàng)非常浩大的工程了。亞馬遜的推薦系統(tǒng)在全球行業(yè)中也是最早的，相信他們?cè)谶@個(gè)問(wèn)題上肯定有自己一套迅速有效的方法。

重點(diǎn)是同一次購(gòu)買記錄（當(dāng)然也不是必然的，看自己的選擇）。

首先收集數(shù)據(jù)就需要把一單購(gòu)買一種商品的過(guò)濾掉。然后一次對(duì)每一條記錄中進(jìn)行成對(duì)提取統(tǒng)計(jì)，簡(jiǎn)單的就是兩兩統(tǒng)計(jì)次數(shù)，這種提取出來(lái)的都是兩個(gè)商品被同時(shí)購(gòu)買的次數(shù)，適用于一對(duì)一推薦。

還有一種是通過(guò)FPTree算法，不光是一對(duì)一推薦，可以一對(duì)二，二對(duì)一。

在這個(gè)流程里面，關(guān)聯(lián)規(guī)則挖掘算法非常重要，其中置信度和支持度也是需要不斷調(diào)整的地方。

所有推薦系統(tǒng)之間的數(shù)據(jù)共享、數(shù)據(jù)的定時(shí)自動(dòng)更新、自動(dòng)學(xué)習(xí)。

總的來(lái)說(shuō)，推薦算法大部分都是很樸素的，但是需要運(yùn)用的好，沒有長(zhǎng)時(shí)間的積累是做不到的。

僅僅是聘請(qǐng)一些算法工程師，運(yùn)用一些算法框架，想取得好的推薦效果，基本是不可能的。只有算法與具體業(yè)務(wù)相結(jié)合才能產(chǎn)生化學(xué)反應(yīng)。