个性化推荐
个性化推荐，是根据用户的行为来分析用户的喜好，进而做商品精准推荐。
为什么要做个性化推荐？
1. 收集用户信息，精准获取用户需求；
2. 减少用户搜索商品的页面层级，提高转化率；
3. 提升购物体验感；
4.提升UGC内容对用户的粘性
个性化推荐主流方式
1.用户自行
2.选择推荐算法
推荐用户可能感兴趣的内容，从而间接提高订单转化率；
协同过滤算法的概念
协同过滤（Collaborative Filtering，简称CF）就是通过对大量结构化数据进行计算，找出与你相似的其他用户
（user）或与你喜欢的标题（item）相似的内容，从而实现内容推荐；
协同过滤算法 - 基于用户
算法思路：将用户进行分类，评测用户之间的相似性，基于用户之间的相似性做出推荐。
假设TB用户有5个维度
对甲的喜欢程度（1~5分），对乙的喜欢程度（1~5分），对丙的喜欢程度（1~5分），对丁的喜欢程度（1~5分），
对戊的喜欢程度（1~5分）。
用户A：对甲的喜欢程度3，对乙的喜欢程度1，对丙的喜欢程度4，对丁的喜欢程度5，对戊的喜欢程度0，用户A
可以用向量表示为r_A (3,1,4,5,0)
一个用户B：对甲的喜欢程度3，对乙的喜欢程度4，对丙的喜欢程度5，对丁的喜欢程度0，对戊的喜欢程度2，用
户B可以用向量表示为r_B (3,4,5,0,2)
对于向量A和B而言，他们的在多维空间的夹角可以用向量余弦公式计算：
余弦相似度取值在0到1之间，0代表完全正交，1代表完全一致。那么用户A和B的相似度计算：
即代表了两个用户商品偏好的相似程度。
假如定义余弦值大于0.6即认为用户具有相似性，那么此时A与B就是相似的；
此时发现A看了己商品，由于算法认为A和B有相似性，那么就会把己商品推荐给B。
协同过滤算法的优劣
单一的个性化推荐
1. 不考虑用户的协同，也不考虑商品的协同；
2. 只根据用户的个人行为做推荐；
用户的行为
浏览、购买、收藏等；
根据用户的浏览记录
1. 根据用户最近浏览过的两种三级类目，从这
两种类目下选择用户没浏览过的商品；
2. 从满足条件1的商品中，从各自类目筛选价
格不超过用户在该类目下最近浏览的那个商
品价格的200%的商品；
根据用户的购买记录
1. 根据用户最近购买的商品所属的三级类目，选择
与该类目已关联的类目下所属的商品；
2. 从满足条件1的类目中，筛选类目下所有的商品；
3. 将满足条件2的商品，分为两类，一类是与满足条
件1所购买商品属于同一店铺的商品，一类是非同
一店铺的商品；
4. 满足条件3的分类中，按照销量从高到底排列；
5. 优先展示同一店铺，再展示非同一店铺的；
前提：需要将类目关联上
热门推荐规则
1. 热度由商品的销量、好评数量、浏览次数、收藏次数等因素决定；
2. 热度值=销量*2+好评数量*1.5+浏览次数*0.8+收藏次数*1；
3. 热度值只考虑最近一周的销量、好评数量，以及最近三天的浏览次数和收藏次数；
4. 根据热度值，从高到低排序；
1. 综合考虑多个因素来决定热度；
2. 要考虑到时间衰减的因素；
