業務場景概述
衆所周知，電商業務發展至今已經非常成熟，淘寶、京東、拼多多等電商巨頭都在上線了覆蓋了不同維度的推薦算法，用來提高用戶下單率，支付率，延長用戶在瀏覽商品頁的時長，準確的商品推薦可以解決用戶長時間篩選商品的這個問題，電商中的土場景更是覆蓋在交易的各個環節，如果首頁，詳情頁，購物車頁，支付成功頁或者是錯誤頁等。
在電商網站裏進行商品推薦，可以提高整個網站商品銷售的有效轉化率，增加商品銷量。通過用戶已經瀏覽、收藏、購買的記錄，更精準的理解用戶需求，對用戶進行聚類、打標籤，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時放大需求，售賣更加多樣化的商品。甚至在站外推廣時，能夠做個性化營銷。
不同位置的推薦產品定位不同：
單品頁：購買意圖;
過渡頁：提高客單價;
購物車頁：購物決策;
無結果頁：減少跳出率;
訂單完成頁：交叉銷售;
關注推薦：提高轉化;
我的推薦：提高忠誠度;
首頁猜你喜歡：吸引用戶。
電商類推薦算法應該怎麼做呢？
產品用戶主要分爲兩大類：註冊用戶與未註冊用戶(瀏覽用戶)
推薦算法主要分爲三大類：
基於內容元數據的推薦（給內容打上標籤，在瀏覽的過程中會有一些內容會被篩選掉,選取當前內容存在的元數據標籤去推薦相同元數據的內容）。
基於用戶畫像的推薦（用戶的基礎數據,應用的瀏覽時長或者點擊頻率，內容的偏好數據）。基於過濾算法的推薦（尋找相近或者相似的用戶或者內容推薦給用戶
算法類型：召回算法（可以從多種的商品中選擇出不同的偏好商品）和排序算法（對於多個商品進行排序,選擇出最優的少量結果）
下面是自己繪製的pdf圖，來幫助我們進入下一步
部分註冊用戶瀏覽過商城商品會有不僅會存在用戶註冊信息，還會產生與商品、店鋪瀏覽、下單、支付記錄，可以用來作爲製作用戶畫像，作爲推薦算法訓練集。
1. 可以根據該用戶之前瀏覽的商品類目進行降序,可以推薦該類目其他銷量較好的產品。
2. 如果已經多次將該類商品推薦給指定用戶，卻沒有帶來明顯轉化,需要考慮是否降低該類目商品對用戶的推薦權重，可以根據季節或者爆款重新組合。
3. 根據用戶年齡、性別、職業、所在區域的用戶商品瀏覽記錄
瀏覽用戶
瀏覽用戶在被推薦時不存在用戶特徵信息與商品信息,所以無法生成較爲精準的推薦矩陣。給用戶推薦熱門物品並不是推薦系統的主要任務，推薦系統應該幫助用戶發現他們不容易發現的物品。
a) 冷啓動問題
• 用戶冷啓動：用戶冷啓動主要解決如何給新用戶做個性化推薦的問題。當新用戶到來時，我們沒有他的行爲數據，所以也無法根據他的歷史行爲預測其興趣，從而無法藉此給他做個性化推薦。
• 物品冷啓動：物品冷啓動主要解決如何將新的物品推薦給可能對它感興趣的用戶這一問題。
• 系統冷啓動：系統冷啓動主要解決如何在一個新開發的網站上（還沒有用戶，也沒有用戶行爲，只有一些物品的信息）設計個性化推薦系統，從而在網站剛發佈時就讓用戶體驗到個性化推薦服務這一問題。
解決方案：
1）利用註冊時的用戶信息粗粒地個性化推薦（比如根據類目或者商品銷量進行排序,推送最近一週/月熱度最高的商品），使用用戶註冊登錄後對某些商品進行反饋的興趣信息進行個性化推薦
2）對於新加入的商品，可以利用已經存在的商品信息，將它們推薦給喜歡過和它們相似的物品的用戶。
3）在對瀏覽用戶收集反饋興趣的商品時，需要注意選取最近一個月/周較爲熱門的產品，對於新用戶的首次推薦物品需要多樣化，我們需要提供具有很高覆蓋率的啓動物品集合，這些物品能覆蓋幾乎所有主流的用戶興趣。
4）可以根據用戶在商城的搜索詞條，關聯相關商品進行推薦，類似於“其他用戶都在搜”功能。
因爲每個人的興趣愛好、行爲習慣等是不同的，所以每個人所看到的內容也是不同的。這樣就避免了那些優質的內容由於不具備分享屬性而不被人們所知的情形，也解決了運營依靠自身有限經驗所推薦內容的不精準。
以上信息，部分來自網絡引用，部分原創，將標註文章源地址，因爲博主並不是專業的數據挖掘工程或者算法工程師，以上只代表個人認知，如果有錯誤之處，歡迎指正，下面將放出一些關於推薦算法的具體實現步驟，方便大家後期學習，希望大家多多支持。
這裏是引用
1.http://bbs.paidai.com/topic/1724830
2.http://www.woshipm.com/pd/1302755.html
其他博主推薦算法具體實現步驟
這裏是引用
1.基於協同過濾的推薦算法（基於物品與基於用戶）：https://www.cnblogs.com/shengyang17/p/11516532.html
2.基於內容的推薦算法：https://blog.csdn.net/qq_43045873/article/details/93816108
3.電商搜索排序算法：https://www.aiyingli.com/67934.html