推薦系統 - 如何計算當前推薦算法的效益

引言

在以前的《推薦系統 - 商品推薦（新人心得）》文章中，咱們已經知道了推薦系統的重要性，以及簡單的實現推薦系統。如今咱們還須要注意一個問題：當前的推薦算法的效益如何呢？若是咱們推薦的東西，客戶基本不感興趣，那咱們這推薦系統，至關因而無用的。

 

如何計算當前推薦算法的效益

1. 監聽每次推薦給用戶的商品
2. 推薦的商品列表中增長反饋性按鈕

 

監聽每次推薦給用戶的商品

1. 用戶點擊推薦商品；
2. 用戶購買推薦商品；
3. 用戶觀看推薦商品的時間。

 

/* 推薦記錄表 */
CREATE TABLE `goods_recommend` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '推送給的用戶ID', `score` int(11) NOT NULL COMMENT '這次推薦打分', `create_time` int(11) NOT NULL COMMENT '推薦時間', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦記錄表'; /* 推薦商品點擊記錄表 */
CREATE TABLE `goods_click` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '用戶ID', `recommend_id` int(11) NOT NULL COMMENT '推薦ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `num` int(11) NOT NULL COMMENT '點擊次數（防止點擊同一件商品屢次，生成多條記錄）', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦商品點擊記錄表'; /* 推薦商品購買記錄表 */
CREATE TABLE `goods_buy` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '用戶ID', `recommend_id` int(11) NOT NULL COMMENT '推薦ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `num` int(11) NOT NULL COMMENT '購買數量', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦商品購買記錄表'; /* 推薦商品瀏覽時間表 */
CREATE TABLE `goods_read` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '用戶ID', `recommend_id` int(11) NOT NULL COMMENT '推薦ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `second` int(11) NOT NULL COMMENT '停留多少秒', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦商品瀏覽時間表';

 

推薦的商品列表中增長反饋性按鈕

1. 每一個商品增長評價按鈕，獲取用戶對於某個推薦商品的評價：1-5分；
2. 推薦商品列表增長換一批按鈕，經過這個按鈕的點擊預判用戶的滿意程度。

/* 推薦商品的打分記錄表 */
CREATE TABLE `goods_score` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '用戶ID', `recommend_id` int(11) NOT NULL COMMENT '推薦ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `score` int(11) NOT NULL COMMENT '分數', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦商品的打分記錄表'; /* 推薦商品是否喜歡記錄表 */
CREATE TABLE `goods_like` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵ID', `user_id` int(11) NOT NULL COMMENT '用戶ID', `recommend_id` int(11) NOT NULL COMMENT '推薦ID', `is_like` int(11) NOT NULL COMMENT '是否切換（若是切換，表明用戶對於此次的推薦不怎麼滿意）', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推薦商品是否喜歡記錄表';

 

統計數據

上面咱們就已經獲取到了咱們須要的數據（具體須要什麼數據，根據自身業務來決定），如今咱們須要對這些數據進行統計了。

1. 用戶點擊的商品次數 / 共推薦給用戶的商品數量 = 這個推薦系統對於這個用戶的點擊比例；
2. 用戶的購買數量 / 共推薦給用戶的商品數量 = 這個推薦系統對於這個用戶的購買比例；
3. 有瀏覽時間從大到小排序 = 用戶比較感興趣的推薦商品（估算，由於不能肯定用戶是瀏覽哪一個商品所逗留的時間）；
4. 經過用戶對於這次推薦商品的打分 = 獲取用戶感興趣的商品（較爲精確，由於用戶針對每一個商品打分）；
5. 經過判斷用戶是否切換的記錄 = 來判斷用戶是否不滿意這次推薦的商品（估算，由於用戶可能不喜歡此次推薦的商品，但也沒有點擊換一批按鈕）。
6. 統計全部用戶點擊商品的次數 / 總共推薦的商品次數 = 整個推薦系統的點擊比例；
7. 統計全部用戶購買商品的次數 / 總共推薦的商品次數 = 整個推薦系統的購買比例；
8. 統計瀏覽時間大於10秒（判斷停留10秒爲感興趣）的推薦次數 / 總共推薦的次數 = 整個推薦系統的滿意比例（估算）。

 

問：爲何須要用戶ID字段？

答：由於這樣能夠記錄每一個用戶對推薦系統的行爲，能夠將這些統計精確到每一個用戶中，這樣能夠針對不滿意的用戶進行系統的調整用戶推薦數據。

 

問：爲何須要用戶點擊推薦商品記錄？

答：由於用戶點擊了，說明這個推薦也算是成功的，不購買的緣由，多是暫時不須要，或者這個商品的評論問題。

 

問：爲何須要記錄用戶瀏覽推薦商品的時間？

答：用戶瀏覽的時間長了，證實是對於這個比較感興趣的，也能夠作爲整個推薦系統效率的部分評分標準。

 

問：爲何須要打分記錄？

答：由於這能夠更直觀的反饋用戶對於此次推送的商品，哪些是滿意的，哪些是不滿意的，能夠更精確的推送心儀的商品給客戶。

 

總結

本文主要講了如何計算當前推薦算法的效益的一些方法：

1. 記錄用戶點擊推薦商品行爲；
2. 記錄用戶購買推薦商品行爲；
3. 記錄用戶瀏覽推薦商品時間行爲；
4. 記錄用戶給推薦商品的打分；
5. 記錄用戶點擊「換一批」的行爲。

 

結語

1. 只有不斷的對用戶行爲進行分析，不斷的統計分析推薦算法的效益，才能搭建更好的推薦系統。
2. 此篇文章只是小編的我的思路，僅供參考；
3. 具體的收集數據、分析算法，須要結合自身的業務來出發；
4. 若有更好的想法，或者發現小編的不足，歡迎你們評論留言給小編；
5. 讓咱們一塊兒學習，一塊兒進步。