在機(jī)器學(xué)習(xí)剛剛投入應(yīng)用時(shí)，最常見的就是電商領(lǐng)域——讓人們在網(wǎng)上買下自己不需要的東西。

　　如今電商平臺的形式越來越豐富：完全跟從平臺自身的直營模式、數(shù)據(jù)體系更完善的大品牌B類模式，以及低門檻的小微個(gè)人C類模式。其中，C類電商的智能推薦系統(tǒng)是最為復(fù)雜的。

　　

 

　　C店的智能推薦為什么會(huì)難做?直營電商就不用討論太多了，統(tǒng)一的商品類目管理、統(tǒng)一的商品排序，在做智能推薦時(shí)，更多的是注重對用戶行為的識別和用戶數(shù)據(jù)的挖掘。天貓一類的B類品牌店鋪也一樣，店鋪數(shù)量較少，品牌店通常都有自己的專業(yè)的運(yùn)營團(tuán)隊(duì)、歷史數(shù)據(jù)，在平臺方面，品牌店也會(huì)更加遵守規(guī)則。

　　可對于基數(shù)巨大、體量差異巨大、從業(yè)者生態(tài)復(fù)雜的C類店鋪來說，想要做出一套人人都滿意的智能推薦系統(tǒng)，可沒那么容易。今天，我們就從C店賣家的角度出發(fā)，看看智能推薦系統(tǒng)如何為其賦能。

　　逆推協(xié)同過濾算法，不僅僅是推薦

　　在C類電商中，智能推薦系統(tǒng)不僅僅要幫助用戶找到心儀的產(chǎn)品，還要幫助普通賣家更好的把握住流量。

　　我們可以看看早期的電商推薦系統(tǒng)是怎樣的。

　　以搜索展示為例，早期電商推薦最主要的原理就是文本相關(guān)性——也就是關(guān)鍵詞。最典型的表現(xiàn)，就是淘寶商品往往會(huì)有一個(gè)特別長的標(biāo)題。

　　

 

　　比如輸入“滑板”二字，會(huì)發(fā)現(xiàn)大多數(shù)商品會(huì)把滑板、長板、刷街、舞板甚至滑板車等等相關(guān)不相關(guān)的關(guān)鍵詞都加入了標(biāo)題中。這已經(jīng)是今天經(jīng)過多次修正后的搜索效果，可以想象一下，幾年前的電商搜索結(jié)果會(huì)是什么樣子：用戶想購買滑板，結(jié)果搜索結(jié)果里有一堆滑板車、滑板鞋、滑板襪……

　　在標(biāo)題中加入多種名詞是商家為了獲取更多流量的無奈之舉，可對于用戶來說，這樣的體驗(yàn)并不好。

　　而面對這種情況，電商行業(yè)衍生出了一種很有趣的解決方式——創(chuàng)造更豐富的數(shù)據(jù)體系，應(yīng)用更多的關(guān)聯(lián)推薦。

　　在電商買東西時(shí)，平臺總是向我們要求很多行為：收藏店鋪、收藏產(chǎn)品、加入購物車、為產(chǎn)品評分。這些行為都被平臺記錄，豐富著每個(gè)人的用戶畫像。

　　在應(yīng)用協(xié)同過濾推薦算法時(shí)，這些豐富的個(gè)人用戶畫像就成了重要的根據(jù)，對單一用戶數(shù)據(jù)行為挖掘越深入、越準(zhǔn)確，就可以幫助用戶量較小的C類店鋪更好的預(yù)測買家行為、甚至對產(chǎn)品銷售進(jìn)行預(yù)判。

　　比如我是一位第一次搜索滑板關(guān)鍵詞的買家，進(jìn)入了一家C類店鋪，而我曾經(jīng)購買過運(yùn)動(dòng)休閑服飾，通過協(xié)同過濾算法，運(yùn)動(dòng)休閑服飾也會(huì)被推薦給在這家店鋪有過購買行為的用戶。這樣一來，賣家就能判斷我是一位有價(jià)值的用戶。

　　

 

　　這樣的解釋或許有點(diǎn)復(fù)雜，但我們只要記住一點(diǎn)：豐富的行為數(shù)據(jù)體系會(huì)讓電商的協(xié)同過濾算法更加精準(zhǔn)，而精準(zhǔn)的協(xié)同過濾算法不僅僅能把商品推薦給人，還能逆推得知人與商品的匹配程度。

　　對于賣家來說，他們可以從此得知每一次引流活動(dòng)是否精準(zhǔn)，更好的提高流量轉(zhuǎn)化率。

　　建立預(yù)測模型，讓數(shù)據(jù)找到彼此

　　對于如今的電商來說，搜索和頁面廣告兩個(gè)入口已經(jīng)不足以滿足賣家展示商品的需要和平臺間的競爭。主流的形式是在單一平臺上開拓更多的品類入口，比如京東的精品、淘寶的iFashion等等。

　　而平臺建立某一垂直品類的入口，自然不是拍腦門的決定，而是來自于流量、銷量的預(yù)測模型。

　　以iFashion這類面向年輕人的時(shí)裝入口為例，首先要做的就是數(shù)據(jù)特征的轉(zhuǎn)換，提取出用戶年齡、購買行為、消費(fèi)能力，關(guān)聯(lián)出最受他們歡迎的產(chǎn)品品類。利用隨機(jī)森林或向量回歸等方式建模，模擬用戶在單一品類中的瀏覽行為、停留時(shí)間、甚至購買行為等等。

　　

 

　　有了大概的估計(jì)后，再將入口上線、輔以流量支持。而對于C類店鋪的賣家而言，在更符合自己屬性的入口中不僅僅意味著獲取更精準(zhǔn)的流量，也能夠讓類似產(chǎn)品、用戶、店鋪進(jìn)行關(guān)聯(lián)。

　　產(chǎn)品、用戶、店鋪三者形成一個(gè)三角，三者之間產(chǎn)生的任何數(shù)據(jù)關(guān)系帶來效果都是三倍計(jì)數(shù)。從而更好哺育未來預(yù)測模型的建立。

　　智能推薦的未來：識別非結(jié)構(gòu)化數(shù)據(jù)

　　除了以上兩種方式，目前的新趨勢，是通過NLP技術(shù)挖掘更多的非結(jié)構(gòu)化數(shù)據(jù)。

　　我們逐漸發(fā)現(xiàn)，現(xiàn)在購物網(wǎng)站上的文字越來越多了——買家評價(jià)、電商頭條、商品問答等等。用戶在這些文字中流露出的情緒，對于賣家而言也是珍貴的數(shù)據(jù)資料。

　　對于C店而言，NLP技術(shù)的作用不僅僅是機(jī)器閱讀，更多的還有自然語言生成。阿里媽媽就推出過這樣的功能，利用NLP技術(shù)理解爆款產(chǎn)品的標(biāo)題，生成模型后為其他賣家修改產(chǎn)品標(biāo)題。相信未來通過算法模型生成爆款商品描述、宣傳文案等等也指日可待。

　　同樣的道理也能應(yīng)用在計(jì)算機(jī)視覺上，通過計(jì)算機(jī)視覺識別商品拍攝圖、店鋪網(wǎng)頁設(shè)計(jì)等等，歸納出適應(yīng)于不同品類、人群的設(shè)計(jì)風(fēng)格，供以賣家參考。想的更遙遠(yuǎn)一些，或許在未來，計(jì)算機(jī)視覺技術(shù)還可以通過商品圖片識別設(shè)計(jì)侵權(quán)，從售賣渠道上斷絕侵權(quán)產(chǎn)品出現(xiàn)的可能。

　　

 

　　總之，對于C類店鋪來說，在運(yùn)營中對于智能營銷和機(jī)器學(xué)習(xí)等等的新技術(shù)的依賴要更加強(qiáng)烈。我們也能逐漸發(fā)現(xiàn)，推薦算法本身似乎很少有改變，我們所做的，還是在更多的挖掘數(shù)據(jù)，不管是設(shè)置用戶行為系統(tǒng)這樣主動(dòng)的獲取方式，還是利用機(jī)器學(xué)習(xí)技術(shù)識別圖片、文字這樣被動(dòng)的獲取。

　　而這對于平臺和C類店鋪賣家個(gè)人來說，都是最具性價(jià)比的方法。挖掘數(shù)據(jù)帶來好處更具普適性，C店電商本該是物種豐富的，平臺不能插手其中作物的生長，但有了數(shù)據(jù)作土壤，會(huì)讓整個(gè)生態(tài)更加繁茂。