一、电商推荐系统概述
大家好，我是这门课的主讲。今天咱们聊聊电商推荐系统——这个听起来高大上、实际上每天都在影响你我的技术。
说实话，我最早接触推荐系统是在2015年。那时候在一家创业公司做数据挖掘，老板说：“你能不能做个功能，让用户进来就看到想买的东西？”我当时心想，这不就是猜心思吗？后来才发现，这背后藏着巨大的技术挑战。
1.1 推荐系统的发展历程
推荐系统不是一天建成的。我把它分成三个阶段来讲：
- 萌芽期（1990年代）：最早的推荐系统出现在亚马逊。他们用“买了A的人也买了B”这种简单规则。说白了就是协同过滤的雏形。
- 成长期（2000-2010年）：Netflix举办了一场百万美元大赛，把推荐系统推向了风口。我记得当时很多团队用矩阵分解、SVD这些方法，效果确实比传统方法好一大截。
- 爆发期（2010年至今）：深度学习来了。YouTube、淘宝、抖音这些平台，开始用神经网络做推荐。你想想看，现在的推荐为什么这么准？就是因为模型能学到用户深层的兴趣模式。
核心观点：推荐系统的演进，本质上是“从规则到统计，再到深度学习”的过程。每一步都伴随着数据量和计算能力的提升。
1.2 推荐系统的核心价值
为什么要做推荐系统？我遇到过不少产品经理问这个问题。其实答案很简单：
- 提升用户体验：用户不用自己翻几十页商品，系统直接推给他想要的。我在项目中见过，好的推荐能让用户停留时间提升30%以上。
- 增加转化率：推荐做得好，下单率自然高。我曾经优化过一个服装电商的推荐模型，CTR从2.1%涨到了3.8%，老板当场就批了年终奖。
- 挖掘长尾商品：很多冷门商品，用户自己搜不到。推荐系统能把这些商品推到对的人面前。嗯，这里要注意，长尾商品的推荐策略和爆款完全不同。
- 降低运营成本：人工推荐需要大量运营人员。系统自动推荐，成本低、效率高、还不会累。
我的经验：做推荐系统，别只盯着准确率。用户满意度、多样性、新颖性这些指标同样重要。我曾经踩过坑，一味追求准确率，结果用户看到的全是同质化商品，体验反而变差了。
1.3 电商中的典型应用场景
电商推荐的应用场景，我总结为四大类：
| 场景 | 说明 | 典型例子 |
|---|---|---|
| 首页推荐 | 用户打开App第一眼看到的 | 淘宝首页的“猜你喜欢” |
| 商品详情页推荐 | 看了这个商品，还看什么 | 京东的“看了又看” |
| 购物车推荐 | 加购后，推荐搭配商品 | 拼多多的“凑单推荐” |
| 搜索推荐 | 搜索关键词后，推荐相关商品 | 亚马逊的搜索联想 |
每个场景的推荐策略都不一样。举个例子，首页推荐要兼顾多样性和点击率，而购物车推荐更看重关联购买。我建议你在实际项目中，先搞清楚业务场景，再选模型。
1.4 一个简单的推荐示例
光说不练假把式。咱们看一段最简单的协同过滤代码。这段代码我当年手写过无数次：
# 基于用户的协同过滤示例
import numpy as np
# 用户-商品评分矩阵
ratings = np.array([
[5, 3, 0, 1],
[4, 0, 0, 1],
[1, 1, 0, 5],
[0, 0, 4, 4],
])
def user_similarity(user1, user2):
# 计算两个用户的余弦相似度
common_items = np.where((ratings[user1] > 0) & (ratings[user2] > 0))[0]
if len(common_items) == 0:
return 0
vec1 = ratings[user1][common_items]
vec2 = ratings[user2][common_items]
return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
# 给用户0推荐商品
target_user = 0
similarities = [user_similarity(target_user, i) for i in range(4)]
print(f"用户0与其他用户的相似度: {similarities}")
注意：这段代码只是教学演示。实际生产环境中，用户和商品数量都是千万级的，不能用这种暴力计算。我曾经在项目里用这个思路处理100万用户，结果跑了三天三夜没出结果……后来改用Spark才搞定。
1.5 推荐系统的挑战
做推荐系统，不是搭个模型就完事了。我遇到过几个常见坑：
- 冷启动问题：新用户、新商品没有历史数据，怎么推荐？我建议用内容特征或者热门榜做兜底。
- 实时性要求：用户刚点了一个商品，下一秒推荐就要更新。这要求系统有流式处理能力。
- 数据稀疏性：大部分用户只和少量商品有交互。矩阵填充是个大难题。
- 算法偏见：推荐系统容易陷入“信息茧房”，用户只看一类商品。需要加入探索机制。
好了，这一章就到这里。下一章咱们深入聊聊推荐系统的数据基础——没有好数据，再牛的模型也是白搭。