架构思维成长系列教程（九）- 个性化推荐引擎架构设计

系统管理员 2022-10-22 12:55 164阅读 0赞

# 背景 #

> 个性化推荐引擎，被广泛使用在电商网站、网络广告、资讯网站中。本文以电商网站的使用场景为例，给大家介绍个性化推荐引擎的架构设计。

# 内容 #

### 个性化推荐的作用 ###

在综合性的电商网站上，商品的数量通常在数十万以上，**个性化推荐是帮助顾客在最短的时间内找到想要的商品**。还有一种情况是，顾客在购物过程中并没有很明确的购物意图，只是逛逛，看到喜欢的就买，这个时候个性化推荐就能够根据顾客的浏览行为，进行有针对性的商品推荐，帮助顾客挖掘他的购买需求。

个性化推荐，能够帮助电商网站，提升顾客体验、提升销售业绩，通过个性化推荐，可以在顾客即将达到某个购买周期时，给顾客提醒，提升人文关怀。

*  比如，通过个性化推荐引擎的算法，可以在顾客的大米、油盐即将使用完的时候，给顾客提醒信息，让顾客通过“一键购”的便捷方式再次购买商品，有效提升老顾客的复购率。

个性化推荐，能够优化网站展示商品内容，提升销售、提升毛利、提高长尾销售、促进跨品类购买等。经过统计发现，使用了个性化推荐以后，能够提升顾客下单率 2 倍以上，提升订单转化率 20%以上。

### 如何搭建个性化推荐引擎 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70][] 个性化推荐引擎应用闭环

如上图所示，这是个性化推荐引擎和应用闭环。**新一代的推荐引擎是基于用户画像的**，当前被广泛使用在各大电商网站的推荐引擎中。

**老一代推荐引擎是如何做的？**

老一代的推荐引擎是基于商品属性关联的。以亚马逊网站为代表，这跟商品的品类是有关系的，最初亚马逊是以卖书为主的，书的主要属性是书目分类、作者、题材等，例如，当顾客购买了狄更斯的作品时，可以推荐作者其他的作品给顾客，一般情况下是有效的。

但是，在品类繁多的百货类商品的购物环境中，基于商品属性的推荐就略显单一了，例如顾客购买了飞利浦的剃须刀，再推荐给顾客其他品牌的剃须刀，或推荐飞利浦的其他电子产品，效果不会很好。

在这类商品的各类繁多的复杂的购物场景中，新一代的基于顾客画像的推荐就取得了非常好的效果，再结合商品关联、商品基因，通常就比较精准了。

顾客画像提供了丰富的基础数据，需要通过四个引擎模块对这些顾客画像数据进行处理，这些引擎包括四个：

*  **1.场景引擎**

场景引擎是根据在购物过程中的不同场景进行推荐，例如顾客刚进入网站、用户浏览商品详情页、购物车页面、订单结算页等场景，在这些场景里，顾客的诉求都是不一样的。 比如，顾客浏览商品详情页，此时顾客对这款商品是感兴趣的，可以做同类商品推荐、关联商品推荐等。当顾客把商品加入购物车，此时可以推荐给顾客，“买了这款商品的其他顾客 又买了什么”这样的商品推荐列表，引导顾客购买更多的商品。

*  **2.实时引擎**

实时引擎是根据用户的浏览行为提供实时推荐建议，这对推荐系统的计算能力要求是非常高的，需要有实时计算框架来支持。

*  **3.上下引擎**

上下文引擎是通过顾客的浏览轨迹，结合上下文内容，给顾客推荐与上下文相关的商品。

*  **4.规则引擎**

规则引擎是通过人为配置一些规则，包括节日、季节、热点事件等社会化信息，给顾客推荐更应景的商品，例如在情人节来临之前，推荐鲜花、巧克力、浪漫餐厅等商品。

### 顾客画像 ###

在上面的描述中，我们了解到了顾客画像的重要性，下图是顾客画像的组成，包括人口中统计学信息、兴趣图谱、消费类型、忠诚度、第三方网站的顾客画像。通过对这些信息的分析，个性化推荐引擎就能够做到比用户自己更了解自己。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70 1][] 顾客画像组成

根据顾客画像信息，给顾客“打标签”，每个顾客都有一系列的“标签”，个性化推荐引擎根据场景来选择哪些是主标签、哪些是辅助标签。

### 个性化推荐引擎的技术架构 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70 2][] 个性化推荐引擎技术架构

从下往上看：

*  最底层是规则数据层，是对规则数据的存储和加工，它通过数据总线，向上输出规则数据
 *  规则引擎层，包括用户资料、上下文等规则处理模块，向上输出适合场景的规则，将用户画像、商品关联、类目和商品属性数据输入到规则引擎中，得出了初步的推荐结果
 *  再经过场景引擎的规则过滤、去重、结果优化，把最终推荐结果展示给顾客
 *  最后根据顾客的点击情况，再反馈给推荐引擎，用于优化下一次的推荐结果

这就是一个机器学习的过程，实现了程序的自我进化，数据和规则积累得越多，个性化推荐引擎的计算结果就越接近顾客的真正需要。

# 上一章教程 #

[架构思维成长系列教程（八）- 电商供应链系统架构设计][-]

# 该系列教程 #

[架构思维成长系列教程][Link 1]

# 我的专栏 #

*  [SpringBoot系列专栏][SpringBoot]
 *  [SpringCloud系列专栏][SpringCloud]
 *  [高可用高并发实战][Link 2][专栏][Link 3]
 *  [微服务架构实战][Link 4]
 *  [DevOps实战专栏][DevOps]
 *  [程序化广告实战专栏][Link 3]

至此，全部介绍就结束了

\-------------------------------

[我的CSDN主页][CSDN]

[关于我][Link 5]（个人域名，更多我的信息）

[我的开源项目集Github][Github]

期望和大家***一起学习，一起成长***，共勉，O(∩\_∩)O谢谢

欢迎交流问题，可加个人QQ 469580884，

或者，加我的群号 **751925591**，一起探讨交流问题

不讲虚的，只做实干家

Talk is cheap，show me the code

![20180411181545874][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70]: /images/20221022/48803233dca746cc9093cc956468126a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70 1]: /images/20221022/4a66e9cba56f44448d24aa18f993d866.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hlbWluMTAwMw_size_16_color_FFFFFF_t_70 2]: /images/20221022/c8c8151909e044e79ea3062195c39f2d.png
[-]: https://hemin.blog.csdn.net/article/details/114928835
[Link 1]: https://hemin.blog.csdn.net/article/details/114928978
[SpringBoot]: https://blog.csdn.net/hemin1003/article/category/9291077
[SpringCloud]: https://blog.csdn.net/hemin1003/category_9293625.html
[Link 2]: https://blog.csdn.net/hemin1003/article/category/9292134
[Link 3]: https://blog.csdn.net/hemin1003/article/category/9290971
[Link 4]: https://blog.csdn.net/hemin1003/article/category/9292162
[DevOps]: https://blog.csdn.net/hemin1003/article/category/9292130
[CSDN]: https://blog.csdn.net/hemin1003
[Link 5]: http://heminit.com/about/
[Github]: https://github.com/hemin1003
[20180411181545874]: /images/20221022/6106361c1c494cfca20e5521ba0fbb91.png