推荐系统 - 如何计算当前推荐算法的效益

引言

在之前的《推荐系统 - 商品推荐（新人心得）》文章中，我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。现在我们还需要注意一个问题：当前的推荐算法的效益如何呢？如果我们推荐的东西，客户基本不感兴趣，那我们这推荐系统，相当于是无用的。

 

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加反馈性按钮

 

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 '此次推荐打分',
  `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多次，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加反馈性按钮

1. 每个商品增加评价按钮，获取用户对于某个推荐商品的评价：1-5分；
2. 推荐商品列表增加换一批按钮，通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（如果切换，代表用户对于这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

上面我们就已经获取到了我们需要的数据（具体需要什么数据，根据自身业务来决定），现在我们需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，因为不能确定用户是浏览哪个商品所逗留的时间）；
4. 通过用户对于此次推荐商品的打分 = 获取用户感兴趣的商品（较为精确，因为用户针对每个商品打分）；
5. 通过判断用户是否切换的记录 = 来判断用户是否不满意此次推荐的商品（估算，因为用户可能不喜欢这次推荐的商品，但也没有点击换一批按钮）。
6. 统计所有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. 统计所有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：为什么需要用户ID字段？

答：因为这样可以记录每个用户对推荐系统的行为，可以将这些统计精确到每个用户中，这样可以针对不满意的用户进行系统的调整用户推荐数据。

 

问：为什么需要用户点击推荐商品记录？

答：因为用户点击了，说明这个推荐也算是成功的，不购买的原因，可能是暂时不需要，或者这个商品的评论问题。

 

问：为什么需要记录用户浏览推荐商品的时间？

答：用户浏览的时间长了，证明是对于这个比较感兴趣的，也可以做为整个推荐系统效率的部分评分标准。

 

问：为什么需要打分记录？

答：因为这可以更直观的反馈用户对于这次推送的商品，哪些是满意的，哪些是不满意的，可以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个人思路，仅供参考；
3. 具体的收集数据、分析算法，需要结合自身的业务来出发；
4. 如有更好的想法，或者发现小编的不足，欢迎大家评论留言给小编；
5. 让我们一起学习，一起进步。