搜集用户偏好，寻找相近的用户，数据库及统计算法的运用

　　搜集用户偏好，寻找相近的用户，数据库及统计算法的运用

　　对于网站产品设计师：采集用户偏好；寻找相似的用户；评分审核员；推荐商品；具体实施需要注意的内容：用户信息的采集、数据库和统计算法的使用

　　图片11519-1：

　　目前网站充斥着各大电商、博客等各种推荐版块，以帮助用户更好地找到自己需要的产品、应用和服务。各大电商网站的数据证明了推荐系统的广泛成功。其中，亚马逊的推荐系统最为抢眼。 网站推荐的销售转化率可高达60%，推荐产品绝非漫无目的。 网站如何合理使用推荐系统？这需要了解推荐系统的原理。

　　从目前的情况来看，目前主流的推荐系统都是通过协同过滤技术实现的。协同过滤技术可分为：基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤。基于用户的协同过滤算法的常用方法是搜索一大群人，找到一小群口味相似的人。要完成这些功能，网站产品设计师需要做以下几件事：

　　1、采集用户偏好。为了采集用户偏好，需要设计一套方法来获取这些信息，让用户参与进来。一方面是通过用户在网站中的浏览和操作来分析用户行为，另一方面需要用户的积极参与，比如评分。获取用户偏好的内容。无论哪种方式，都需要将这些内容映射到数字以形成相应的数字集。

　　2、 寻找相似的用户。对于用户偏好数据，我们需要利用一些统计算法和数据挖掘技术来确定用户口味的相似程度，并与其他人进行比较，得到相似性评价值。欧氏距离、皮尔逊相关、余弦相似度、调整余弦相似度、Jaccard系数、曼哈顿距离算法等，这些算法各有千秋，需要根据具体需要选择一种或多种组合使用。

　　3、 评价评论者。通过以上一系列的准备工作，到了这一步，就需要找到最接近的匹配结果，找到用户最近的郊区（品味相近的人）。

　　4、 推荐项目。这是我们的最终目标。在以上数据的支持下，我们可以向用户推荐同类人的需求或购买信息，提供有意向的商品或推荐其他商品的内容。

　　通过上面的简单描述，您可以对推荐系统有一个大致的印象，所以在具体实现中需要注意的地方很多。

　　1、 采集用户信息。这一步需要网站的统计和分析是一个很大的挑战。我们需要采集尽可能多的用户行为，引导用户向我们采集信息。有利操作，合理设置这些功能，避免用户疲劳和厌恶。

　　2、数据库和统计算法的使用，以及合理的数据库配置将尤为重要。数据的分析和准确性将决定以下是否能够持续有效地执行。

　　3、推荐商品和服务时，这里的可操作性很棒。一方面是通过程序进行，另一方面需要人工干预（亚马逊还有大量人工推荐）。通过网页上的这些，除了上述数​​据之外，还可以扩展其他的推荐方式，比如邮件、短信等。邮件推送在这里也很重要，不容忽视。

　　通过推荐系统引入，为用户节省时间寻找内容并准确投放。用户可以第一时间找到自己需要的内容或产品，购买欲望会持续。一些细节优化会提升网站的转化率，带来更多意想不到的提升。