什么是推荐引擎？

推荐引擎可帮助用户发现他们自己可能找不到的内容、产品或服务。许多网络公司（包括电子商务网站、流媒体平台、搜索引擎和社交媒体网络）在创造销售额和培养用户粘性方面都离不开这些系统。

推荐系统可以推荐下一部要观看的电影或视频、一首相似歌曲或相关搜索结果，还可以推荐凑单产品。

推荐系统提出的建议在个性化用户体验方面也发挥着重要作用。根据管理咨询公司麦肯锡的研究，个性化可以将收入提高 5％ 至 15％。此外，76% 的客户在没有体验到个性化互动时会感到沮丧。

推荐系统的市场正在不断扩大。2024 年，推荐引擎市场规模预计将达到 68.8 亿美元，预计 5 年内市场规模将增长两倍。

为了向目标用户提供合适的建议，推荐引擎融合了 数据科学 和机器学习。

推荐器通常分 5 个阶段运行，以预测最准确的推荐：

推荐系统根据其使用的过滤方法而有所不同。推荐引擎一般有 3 种类型：

协同过滤系统根据特定用户与其他用户的相似度来过滤推荐。协同推荐系统依赖于显式数据和隐式数据，假设具有相似偏好的用户可能会对同款商品感兴趣，并且未来可能会以类似的方式与这些商品交互。

例如，亚马逊在其产品推荐中使用了协同筛选技术，就像 Spotify 在其音频内容中使用的一样。

协同过滤推荐系统可以提供有效建议，并且通常不需要详细商品描述。然而，协同过滤也容易出现冷启动问题，当系统可供参考的历史数据有限时，尤其是对于新用户而言，就会发生这种情况。

协同筛选系统主要有两种：基于记忆的和基于模型的。

基于内存的系统以矩阵形式表示用户和商品。它们是 K 最近邻算法 (KNN) 的扩展，因为它们的目标是找到“最近邻居”，这些邻居可以是相似的用户，也可以是相似的商品。基于内存的系统又可细分为两种类型：

• 基于用户的筛选，计算矩阵中特定用户与所有其他用户之间的相似性。基于用户的相似性函数是在用户-商品矩阵的各行之间计算得出的。

• 基于商品的筛选通过用户行为（用户如何与商品互动，而非商品特征）计算商品相似性。基于商品的相似性函数是在用户商品矩阵中的列之间计算的。

另一方面，基于模型的系统会创建数据的机器学习预测模型。将用户-商品矩阵作为模型的训练数据集，然后对缺失值（即用户尚未找到因此会被推荐的商品）进行预测。

矩阵因式分解是最常用的基于模型的协同筛选算法之一。这种降维方法通常会将庞大的用户-商品矩阵分解成两个较小的矩阵，一个是用户矩阵，另一个是商品矩阵。然后将这两个矩阵相乘，以预测较大矩阵中的缺失值（或建议值）。

更高级的矩阵因式分解实现方法是利用深度学习神经网络。其他基于模型的系统则采用机器学习算法，例如，贝叶斯分类器、聚类分析和决策树。

基于内容的过滤系统根据商品特征来过滤推荐商品。如果用户喜欢某个特定商品，基于内容的推荐系统会假设他们也会喜欢另一款相似商品。基于内容的过滤会考虑商品描述，例如颜色、类别、价格和由关键字和标签分配的其他元数据，以及显式和隐式数据。

基于内容的过滤系统将商品和用户表示为向量空间中的向量。采用接近度来判断商品之间的相似度如何。两个向量在空间中越接近，相似度就越高。根据所提供的特征，系统会向用户推荐与之前的商品相似的向量。

基于内容的推荐系统采用的是基于用户的分类器或回归模型。将用户感兴趣的商品描述和特征用作模型的训练数据集，然后生成推荐商品预测。

通过使用自然语言处理标签，基于内容的推荐系统可以得到进一步改进。但是，对于海量数据来说，这种标记过程可能比较繁琐。

与协同过滤不同，冷启动问题不是什么大问题，因为基于内容的过滤依据是元数据特征，而不是过去的用户交互。但是，基于内容的过滤在搜索新商品时可能存在局限，因为其推荐的商品通常与用户之前喜欢的类似。

顾名思义，混合推荐系统融合了协同筛选和基于内容的筛选。

因此，混合方法可以大大提高推荐引擎的性能，但需要先进的架构和强大的计算能力。

例如，Netflix 使用混合推荐系统来推荐电影和电视节目。

推荐引擎可以为企业和用户带来价值。组织通过投资推荐系统可以获得的以下优势：

推荐合适的产品或服务可以为用户节省时间，避免无休止地浏览大量目录。例如，Netflix 上观众观看的内容有 80% 来自推荐算法所推荐的内容。此外，推荐相关内容可以带来个性化体验。

根据麦肯锡的研究，增强客户体验可提高客户满意度，确切地说，可提高 20%。满意的客户会变得更加积极，对品牌更加忠诚，从而助力企业建立信任并留住更多客户。

提供个性化推荐可鼓励用户浏览和点击更多商品，最终可能将浏览者转化为购买者。麦肯锡发现，更积极、更个性化的客户体验可将销售转化率提高 10% 至 15%。

客户转化率推动销售，销售推动收入。麦肯锡指出，购物者在亚马逊上购买的商品中有 35% 来自产品推荐。与此同时，Netflix 预计其推荐系统可节省超过 10 亿美元。

推荐系统有其局限性，并给组织带来挑战。以下是最常见的几种情况：

推荐引擎需要分析和筛选海量数据。这需要复杂的架构和大量的计算资源投资。

推荐系统必须足够快，以便实时确定和显示正确的推荐。如果要向成百上千的用户同时提供实时建议，这就变得更加困难，更不用说数以百万计的用户了。

围绕错误的指标优化机器学习算法可能会导致不相关的推荐。经常获得较高评价的商品可能会比新的、生僻的或评论较少的商品被更频繁地推荐。但是，最受欢迎或购买最多的商品可能并不是客户感兴趣的商品。

机器学习算法可能会学习数据中存在的社会偏见——无论是收集的数据、标记的数据、训练数据还是外部数据源——或者从调整模型的人类评估者那里。这可能导致建议不准确。

出于隐私考虑，一些用户可能会选择不参与企业的推荐系统数据收集计划。企业在收集和存储数据时可能还需要考虑监管要求和合规标准。

以下是企业使用推荐系统的一些方法。随着推荐技术的发展，还可能出现其他用例和应用程序。