亚马逊的交互式过滤与推荐机制分析

6.3.3　亚马逊的交互式过滤与推荐机制分析

Alex Iskold在《推荐系统的艺术、科学与商务问题》^[8]一文中认为用户的网上活动分为两类：搜索和浏览。当用户目的明确时，他会展开搜索。但当用户不太清楚想要什么的时候，他仅仅浏览。浏览活动为推荐系统带来了绝好的机会，因为当用户没有集中注意力在找寻特定东西时，他对外来的建议是采取开放的态度。在浏览过程中，用户的注意力（和他们的钱），都等着你去抓住。通过向用户展示有吸引力的东西，网站可以使交易成功的可能最大化。所以如果网站能增加给用户提供好推荐的几率，就能赚更多钱。显然这不是一个容易解决的问题，但解决这个问题带来的好处是巨大的。推荐的几种方式如下：

①个人化推荐（personalized recommendation）——基于用户以前的行为模式进行推荐。

②社会化推荐（social recommendation）——根据类似用户过去在网站的行为进行推荐。

③基于产品的推荐（item recommendation）——基于产品本身特性进行推荐。

当然还有这3种混合模式的推荐。通常情况下，一个好的推荐系统，必然是多种推荐方法相混合。Alex在划分以上推荐方式的基础上，着重分析了Amazon的推荐机制。

在网上购物行业，亚马逊基于用户行为所使用的推荐机制，取得了巨大的成果。过去十几年间，该公司重点开发推荐系统，来促使用户更多地购物——包括对你浏览历史、购买历史，以及其他用户购买数据的分析，通过与用户之间建立一种有效的反馈机制，从而不断调整自己的推荐系统。Amazon无论是从推荐的实际效果还是从对推荐的重视程度上来看，都很难再找出一个能和Amazon比肩的应用。以下亚马逊推荐机制的应用分析。图6-8是登录到“我的亚马逊账户”后网页显示的主要部分。

图6-8　社会化推荐的应用

图6-8　题头是“消费者浏览了这件商品后买了什么”，下面是3件商品：52%的消费者买了你正在看的这套衬衣；19%买了另一种款式；5%买了灰色的那种。这部分是社会化推荐。这种通过量化分析，给用户一个基于数据统计的理由为什么用户应该买这套衬衣，而同时这又是个性化的推荐，因为它基于用户刚刚点击查看的产品。

图6-9　基于产品的推荐

图6-9题头是“为你准备的新货”。下面是几本书以及链接“为什么我们推荐这本书给你”，这一部分是“基于产品的推荐”，具体说是新书推荐。点击“为什么我们推荐这本书给你”的链接会显示用户的购买历史。因此这同时也是个性化推荐——基于用户过去行为的推荐。这一页上有其他4个部分采用上述推荐机制的结合。我们用表6-1概括：

表6-1　亚马逊个性化推荐系统

显然，这个系统是对称和覆盖全面的。所有推荐都基于用户个人行为、商品本身以及其他用户在亚马逊的活动。不管是因为用户以前购买过相关产品，还是因为其他很多用户都喜欢，亚马逊每推荐给用户一件商品，都增大该商品被购买的机会。

亚马逊的推荐系统是程序自动化和用户相关购物信息集合的产物，亚马逊花了十几年时间建立和完善了该系统。这个系统基于产品和相关用户的巨大数据库，记录的信息包括你在过去几年或几分钟内做过什么。可以说，推荐引擎是网上电子商务系统和用户体验的一个重要组成部分。网上零售商们有强烈的意愿向那些正在浏览的用户提供推荐，以驱使他们购买。亚马逊有一套非常出色的个性化推荐系统，是这个领域的领先者，其他网上零售商面临的问题是缺乏用户信息和软件构架不完善。最新的推荐引擎，如受遗传学启发的Pandora和基于群体社会化标签的del.icio.us都是非常有趣的新发展，这些系统的长处在于“即刻满意度”——不需要用户提供他们的偏好和过去的浏览或消费历史。不管未来如何发展，亚马逊、Pandora和del.icio.us目前展示了极其出色的过滤与推荐技术。