推荐系统 - 如何计算当前推荐算法的效益

引言

在以前的《推荐系统 - 商品推荐（新人心得）》文章中，咱们已经知道了推荐系统的重要性，以及简单的实现推荐系统。如今咱们还须要注意一个问题：当前的推荐算法的效益如何呢？若是咱们推荐的东西，客户基本不感兴趣，那咱们这推荐系统，至关因而无用的。

 

如何计算当前推荐算法的效益

1. 监听每次推荐给用户的商品
2. 推荐的商品列表中增长反馈性按钮

 

监听每次推荐给用户的商品

1. 用户点击推荐商品；
2. 用户购买推荐商品；
3. 用户观看推荐商品的时间。

 

/* 推荐记录表 */
CREATE TABLE `goods_recommend` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '推送给的用户ID', `score` int(11) NOT NULL COMMENT '这次推荐打分', `create_time` int(11) NOT NULL COMMENT '推荐时间', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推荐记录表'; /* 推荐商品点击记录表 */
CREATE TABLE `goods_click` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '用户ID', `recommend_id` int(11) NOT NULL COMMENT '推荐ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `num` int(11) NOT NULL COMMENT '点击次数（防止点击同一件商品屡次，生成多条记录）', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推荐商品点击记录表'; /* 推荐商品购买记录表 */
CREATE TABLE `goods_buy` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '用户ID', `recommend_id` int(11) NOT NULL COMMENT '推荐ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `num` int(11) NOT NULL COMMENT '购买数量', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推荐商品购买记录表'; /* 推荐商品浏览时间表 */
CREATE TABLE `goods_read` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '用户ID', `recommend_id` int(11) NOT NULL COMMENT '推荐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='推荐商品浏览时间表';

 

推荐的商品列表中增长反馈性按钮

1. 每一个商品增长评价按钮，获取用户对于某个推荐商品的评价：1-5分；
2. 推荐商品列表增长换一批按钮，经过这个按钮的点击预判用户的满意程度。

/* 推荐商品的打分记录表 */
CREATE TABLE `goods_score` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '用户ID', `recommend_id` int(11) NOT NULL COMMENT '推荐ID', `goods_id` int(11) NOT NULL COMMENT '商品ID', `score` int(11) NOT NULL COMMENT '分数', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推荐商品的打分记录表'; /* 推荐商品是否喜欢记录表 */
CREATE TABLE `goods_like` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键ID', `user_id` int(11) NOT NULL COMMENT '用户ID', `recommend_id` int(11) NOT NULL COMMENT '推荐ID', `is_like` int(11) NOT NULL COMMENT '是否切换（若是切换，表明用户对于此次的推荐不怎么满意）', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='推荐商品是否喜欢记录表';

 

统计数据

上面咱们就已经获取到了咱们须要的数据（具体须要什么数据，根据自身业务来决定），如今咱们须要对这些数据进行统计了。

1. 用户点击的商品次数 / 共推荐给用户的商品数量 = 这个推荐系统对于这个用户的点击比例；
2. 用户的购买数量 / 共推荐给用户的商品数量 = 这个推荐系统对于这个用户的购买比例；
3. 有浏览时间从大到小排序 = 用户比较感兴趣的推荐商品（估算，由于不能肯定用户是浏览哪一个商品所逗留的时间）；
4. 经过用户对于这次推荐商品的打分 = 获取用户感兴趣的商品（较为精确，由于用户针对每一个商品打分）；
5. 经过判断用户是否切换的记录 = 来判断用户是否不满意这次推荐的商品（估算，由于用户可能不喜欢此次推荐的商品，但也没有点击换一批按钮）。
6. 统计全部用户点击商品的次数 / 总共推荐的商品次数 = 整个推荐系统的点击比例；
7. 统计全部用户购买商品的次数 / 总共推荐的商品次数 = 整个推荐系统的购买比例；
8. 统计浏览时间大于10秒（判断停留10秒为感兴趣）的推荐次数 / 总共推荐的次数 = 整个推荐系统的满意比例（估算）。

 

问：为何须要用户ID字段？

答：由于这样能够记录每一个用户对推荐系统的行为，能够将这些统计精确到每一个用户中，这样能够针对不满意的用户进行系统的调整用户推荐数据。

 

问：为何须要用户点击推荐商品记录？

答：由于用户点击了，说明这个推荐也算是成功的，不购买的缘由，多是暂时不须要，或者这个商品的评论问题。

 

问：为何须要记录用户浏览推荐商品的时间？

答：用户浏览的时间长了，证实是对于这个比较感兴趣的，也能够作为整个推荐系统效率的部分评分标准。

 

问：为何须要打分记录？

答：由于这能够更直观的反馈用户对于此次推送的商品，哪些是满意的，哪些是不满意的，能够更精确的推送心仪的商品给客户。

 

总结

本文主要讲了如何计算当前推荐算法的效益的一些方法：

1. 记录用户点击推荐商品行为；
2. 记录用户购买推荐商品行为；
3. 记录用户浏览推荐商品时间行为；
4. 记录用户给推荐商品的打分；
5. 记录用户点击“换一批”的行为。

 

结语

1. 只有不断的对用户行为进行分析，不断的统计分析推荐算法的效益，才能搭建更好的推荐系统。
2. 此篇文章只是小编的我的思路，仅供参考；
3. 具体的收集数据、分析算法，须要结合自身的业务来出发；
4. 若有更好的想法，或者发现小编的不足，欢迎你们评论留言给小编；
5. 让咱们一块儿学习，一块儿进步。