发布时间：2022-4-6 分类： 电商动态
本文结合实际案例，分析了OTA采用的一些常见推荐策略，并一起来看。
什么是推荐系统？根据Wiki百科全书的定义，推荐系统是信息过滤系统，其预测用户对项目的“得分”或“查找”偏好。个性化推荐已经在电子商务（亚马逊，淘宝，京东等），电影和视频（Youtube，Hulu，爱奇艺，腾讯视频），个性化音乐（Spotify，网易云音乐，QQ音乐），新闻（今日头条新闻） ，腾讯新闻）等领域得到了广泛应用，并取得了骄人的成绩。本文将结合案例分析OTA采用的一些共同推荐策略。
共同推荐策略
随着信息技术和移动互联网的发展，人们进入了信息超载的时代，现在越来越多的用户更喜欢使用移动终端来获取信息和购买在线产品。信息过载和用户访问信息的方式的变化会给内容制作者或产品提供者以及内容消费者或产品购买者带来重大挑战。如何利用碎片时间通过移动终端在大量信息中找到所需的内容或产品是非常困难的。推荐系统通过一系列推荐策略解决了这一冲突，并成为重要工具之一。
推荐系统通过不同策略建立用户与项目之间的关系，从而向用户呈现用户可能感兴趣的项目，如下所示：
注意：此图根据“Tagsplanations:使用标签解释建议”一文中的插图重新绘制，此图片的版权属于原始版权所有者
策略1：基于项目的协同过滤
基于项目的协同过滤是目前业界使用最广泛的策略。此策略的主要思想是向用户推荐与之前喜欢的项目类似的项目，因为它基于用户的历史行为，因此可以为推荐结果提供建议。推荐策略主要分为两个步骤：
根据全站用户的行为计算项目之间的相似性
查找与用户历史记录首选项相关的类似项目集，并按相似性顺序将其推荐给用户
策略2：基于用户的协同过滤
基于用户的协同过滤是推荐系统中最早的算法。该策略的主要思想是向用户推荐那些与用户相似但用户尚未购买的项目，因为它基于类似的用户，很难提供用户。深信推荐理由。推荐策略主要分为三个步骤：
根据全站点用户的行为计算用户之间的相似性
找到一组与目标用户类似的用户
过滤掉目标用户在相似用户集的首选产品集中购买的产品，并将剩余的产品推荐给用户
策略3：基于用户标签数据
策略1和策略2主要通过用户的行为来计算相似度，并且不使用人群或项目的特征来计算人群或项目的相似性。该策略的主要思想是向用户推荐那些符合用户兴趣的项目。推荐策略主要分为三个步骤：
根据用户的行为计算用户的兴趣点
查找与用户兴趣点匹配的项目，并根据匹配度
将其推荐给用户推荐策略在OTA中的应用
让我们来看看主要OTA公司的个性化建议的内容。目前，我们只发现携程和韦恩都有个性化的内容。其他OTA公司，如Flying Pigs已经发现有一个“猜你喜欢”字段，但内容不会随着用户在飞猪中搜索，浏览等而改变。首先看一下携程，你可以看到多个领域的个性化内容（包括主页广告，机票，假期，攻略等），参考下图：
携程App个性化推荐申请
注意：截取携程应用程序（V7.7.1），图片中相关内容的版权归原始版权所有者所有
接下来，看看牛的方式，发现在各种领域（家庭广告，目的地，度假产品等）都可以看到个性化内容，参考下图：
Wayne App个性化推荐应用
注意：截取携程应用程序（V9.25.0），图片中相关内容的版权归原始版权所有者所有
基于对携程和途牛的个性化推荐，OTA的个性化推荐主要帮助用户完成两个建议：一个是目的地，另一个是特定产品。我们来讨论如何使用推荐策略。对这两件作品的建议：
目的地的个性化：
当用户在应用程序中搜索并查看相关目的地的产品时，例如搜索从上海到北京的票证，则用户有意前往北京，因此您可以在携程和途乌中观看。该城市是推荐的候选人。
如果要丰富推荐的目标候选集，则需要计算目标的相似度。您可以使用策略2或策略3.以下是使用策略3的产品理念：
目的地将包含许多不同的景点。不同的景点具有不同的标签属性，并且在一个目的地下的多个目的地的集合将导致目的地的一组标签。
使用标记集计算不同目的地之间的相似性
从用户浏览的目的地中提取不同的标签集，以获得用户对标签的偏好
基于用户首选项的一组标签从目标集到用户
找到类似的目的地推荐产品个性化
通过目的地推荐帮助用户找到目的地，但每个目的地下都有各种产品，这个产品的个性化变得非常重要，可以使用以上三种策略，以下是策略实例产品创意：
根据用户的搜索，浏览和订购行为来计算目的地下的产品的相似性，可以获得目的地产品之间的相似性，并且还可以获得目的地下的产品的热量。
根据用户最近浏览过的产品查找推荐产品组的类似产品
同时，添加此目的地的一些热门产品作为推荐产品集
通过以上三个步骤可用于获取推荐结果的来源包括：用户实时浏览，用户浏览目的地下的产品和热门产品的类似产品
