Java生鲜电商平台-电商个性化推荐引擎架构设计(小程序/APP)

Posted 2021-05-22 巨人大哥

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Java生鲜电商平台-电商个性化推荐引擎架构设计(小程序/APP)相关的知识，希望对你有一定的参考价值。

说明：Java生鲜电商平台-电商个性化推荐引擎架构设计，个性化推荐引擎，被广泛使用在电商网站，网络广告，咨询网站中，这里我们以电商网站的使用场景为例，给大家介绍个性化推荐引擎的架构设计。

在综合性的电商网站中，商品的数量通常在数10w以上，个性化推荐是帮助顾客在最短的时间内找到想要的商品，还有一种情况是，顾客在购物过程中并没有很明确的购物意图，只是逛逛，看到喜欢的就买，这个时候个性化推荐就是更具客户的浏览行为，惊醒有针对性的商品推荐，帮助顾客挖掘他的购买需求。

个性化推荐，能够帮助电商网站，提示顾客体验，提示销售业绩，通过个性化推荐，可以在顾客即将达到某个购物周期时候，给客户提醒，提升人文关怀，比如，通过个性化推荐引擎的算法，可以在顾客的大米，油盐即将使用完的时候，给顾客提醒信息，让顾客通过“一键购”的便捷方式再次购买商品，有效提升老顾客的复购率。

个性化推荐，能够优化网站展示商品内容，提升销售，提升毛利，提高长尾销售，促进跨品类购买等，经过统计发现，使用了个性化推荐以后，能够提升顾客下单率2倍以上，提升订单转化率20%以上。

在了解了个性化推荐引擎的神奇效果之后，我们来学习如何搭建个性化推荐引擎，如图所示，这是个性化推荐引擎和应用闭环。新一代的推荐引擎是基于用户画像的。当前被广泛使用在各大电商网站的推荐引擎中，在详细介绍之前，我们先回顾下老一代的推荐引擎的原理，老一代的推荐引擎是基于商品属性关联的，以亚马逊网站为代表，这跟商品的品类是有关系的。最初亚马逊是以卖书为主的，书的主要属性是书目分类，作者，题材等，例如：当顾客购买了乔布斯的作品时，可以推荐作者其他的作品给顾客，一般情况下是有效的.

但是在品类繁多的百货类商品的购物环境中，基于商品属性的推荐就略显单一了，例如顾客购买了飞利浦的剃须刀，再推荐给客户其他品牌的剃须刀或推荐飞利浦的其他电子产品，效果不会很好的。

个性化推荐引起应用闭环

在这类商品的各类繁多的复杂的购物场景中，新一代的基于顾客画像的推荐就取得了非常好的效果，再结合商品关联，商品基因，通常就比较精准了，顾客画像提供了丰富的基础数据，需要通过四个引擎模块对这些顾客画像数据进行处理，这些引擎包括场景引擎，实时引擎，上下引擎，规则引擎等

场景引擎：是根据在购物过程中的不同场景进行推荐，例如顾客刚进入网站，用户浏览商品详细页，购物车页面，订单结算页面等场景，在这些场景里，顾客的诉求都是不一样的。比如：当顾客浏览商品详细页，此时顾客对这款商品是感兴趣的，可以做同类商品推荐，关联商品推荐等，当顾客把商品加入购物车，此时可以推荐给顾客，“为了这款商品的其他顾客又买了什么”这样的商品推荐列表，引导顾客购买更多的商品。

实时引起：是根据用户的浏览行为提供实时推荐建议，这对推荐系统的计算能力要求是非常的高的，需要有实时计算框架来支持。

上下文引擎：通过顾客的浏览轨迹，结合上下文内容，给顾客推荐与上下文相关的商品。

规则引擎，通过人为的配置一些规则，包括节日，季节，热点事件等社会化信息，给顾客推荐更应景的商品，例如在情人节来临之前，推荐鲜花，巧克力，浪漫餐厅等商品。

在上面的描述中，我们了解到了顾客画像的重要性，如图所示，是顾客画像的组成，包括人口中统计学的信息，兴趣图谱，消费类型，忠诚度，第三方网站的顾客画像，通过对这些信息的分析，个性化推荐引擎就能够做到比用户自己更了解自己.

顾客图像组成

根据顾客画像信息，给顾客额“打标签”，每个顾客都有一系列的“标签”，个性化推荐引擎根据场景来选择那些是主标签，那些是辅助标签。

以上我们了解了个性化推荐引擎的业务实现，接下来我们来学习个性化推荐引擎的技术架构，如图所示，从下往上看，最底层是规则数据层，是对规则数据的存储和加工，它通过数据总线，向上输出规则数据；规则引擎层，包括用户资料，上下文等规则处理模块，向上输出适合场景的规则，将用户画像，商品关联，类目和商品属性数据输入到规则引擎中，得到了初步的推荐结果，再经过场景引擎的规则过滤，驱虫，结果优化，把最终推荐结果展示给顾客，最终根据顾客的点击情况，再反馈给推荐引擎，用于优化下一次的推荐结果，这也是个机器学习的过程，实现了程序的自我进化，数据和规则积累得越多，个性化推荐引擎的计算结果就接近顾客的真实需要。