商城网站要如何揣摩用户的心思 做精准商品推荐

　　去商城购物，导购可以感知客户的诉求推荐商品来达成交易，那么商城网站要如何揣摩用户的心思来达成商品交易呢?在网上商城系统里只能通过数据分析与用户浏览规划来推荐商品达成效果，所有不着调的推荐都是耍流氓，不着调的推荐不如不推荐。

　　推荐算法主要有基于内容的推荐算法、协同过滤算法和基于人口的统计学推荐。先来移动云商城小编为大科普下这几种推荐算法，分析用户需求，做精准推荐

　　1、内容的推荐算法(CB)：为每个item提取特征建模

　　CB基于商品相关性构建商品模型推荐。商品相关性包括商品类目、属性、参数、关键词、组合商品等。

　　举个简单栗子，你去买手机，导购员看见你进来就知道你买手机，这是商品类目;你说，看看粉色的苹果，内存要大点，导购拿来128G的红色iPhone7，粉色是属性，内存是参数，导购拿来的不是水果，因为苹果是iPhone的关键词。等你决定买粉色128G iPhone7时，导购和你说，今天买手机再加10元可以买一个手机壳，这个是商品组合推荐。电商系统也是如此，一步步猜中用户心思，用户才会信赖网站。目前电商中纯粹使用CB算法的不多了，对于初建网站，没有用户数据的前提下，主要依赖于CB算法推荐商品。

　　2、协同过滤算法(CF)

　　(1)基于用户的CF

　　基于用户对物品的偏好找到相邻邻居用户，将邻居用户喜欢的推荐给当前用户。大学时期和你经常一起看电影的闺蜜和你说，最近上映的《摔跤吧，爸爸》很好看，会让你更想去看这部电影，因为你知道，她喜欢看的，一般你也喜欢看。“喜欢XX的人也喜欢”就是典型的User CF。

　　(2)基于物品的 CF

　　基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。经常遇到的就是你买裤子时，导购和你说，这款是我们销量最好的， 刚还买走一个呢。除了物物关联外增加了用户偏好，根据大众偏好预测你还没有表示偏好的物品，比如大家都在买。

　　3、基于人口的统计学推荐

　　根据用户的属性建模，通过用户特征计算用户间的相似度。常见的有用户注册时添加感兴趣标签、榜单、热点等。

　　推荐算法无外乎是商品相关性、用户行为、大众行为。最后，推荐不是越多越好，推荐是越准确越好，多而不准确的推荐，在用户看来是一次次地眼睛被强奸。