- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
商品搜索引擎–商品推荐
因为工作需要，最近有在学习商品搜索引擎的东西。会涉及到系统推荐、个性化推荐和排序推荐。 排序推荐 比较偏向于 输入联想（类似于淘宝，我们输入手机，下面会提示推荐）。 但是本文，重点介绍个性化推荐。 系统推荐： 据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。 排序推荐：结合 用户输入的关键词、系统推荐、个性化推荐 三个维度进行排序推荐。 关于个性化推荐，根据推荐引擎的数据源有三种模式：基于人口统计学的推荐、基于内容的推荐、基于协同过滤的推荐 结合个人理解，具体化简述上面三个概念： （1）基于人口统计学的推荐：针对用户的“性别、年龄范围、 内容推荐和协同过滤推荐 结合 应该能满足大部分需求， 基于人口统计学的推荐看情况，如果有必要再实现。 另外 基于协同过滤 数据量 大的时候 才比较准。这种情况内容推荐 可以补位，推荐类似商品。
2.5K50发布于 2021-04-07 - 来自专栏Zephery
亚马逊商品推荐系统
为了更好的去了解一个推荐系统，从0到1了解推荐过程，我们通过一些网上开源的数据来搭建一个推荐系统 一、整体目标 搭建推荐系统的第一步是明确目标和需求： 业务目标：为用户提供个性化的商品推荐，提高商品曝光率和购买转化率 推荐类型： 个性化推荐：根据用户的历史行为推荐商品。 热门推荐：根据商品流行趋势推荐高销量或高评价的商品。 相似商品推荐：推荐与用户浏览或购买的商品类似的商品。 推荐算法设计 根据业务需求选择以下推荐方法： 基于协同过滤的推荐： 用户协同过滤：分析行为相似的用户并推荐他们关注的商品。 商品协同过滤：按商品之间的相似性推荐，比如推荐与当前商品类似的商品。 推荐服务开发 后端推荐服务应该支持以下功能： 热门商品推荐：基于销量、评价等指标推荐热门商品。 个性化推荐：根据用户历史行为生成专属推荐列表。 相似商品推荐：基于商品相似性推荐相关产品。 前端页面结构 前端主要实现以下功能： 首页推荐：展示热门商品。 个性化推荐：为用户提供专属推荐内容。 商品详情页：展示与当前商品关联的推荐商品。 2.
1.3K10编辑于 2025-04-21 - 来自专栏毕设程序汇总
Springboot+Java推荐算法+商品推荐系统+商品管理系统
面对海量的商品信息如何实现针对不同用户维度开展个性化商品推荐，实现用户线上选购商品，下订单，支付，物流配送等？ 一、程序设计 本次商品推荐及管理系统主要内容涉及： 主要功能模块：商品推荐网站前台，商品管理系统后台 主要包含技术：springboot，mybatisplus，mysql，javascript，vue.js 商品推荐网站前台主要包括以下功能清单： 用户登录注册 商品轮播图 商品分类展示 商品推荐展示 用户购物车 订单管理 订单配送管理 个人中心 修改密码 商品管理系统后台主要包括以下功能清单： 管理员登录 [其他][9] [image.png] 其他效果省略 三、商品推荐设计 本次毕设系统在商品推荐算法设计中，主要采用基于用户协同过滤算法+商品内容关键词统计分析计算两种方式，其中基于用户协同过滤推荐算法主要利用用户历史购买商品的情况 ，开展相似用户计算，商品关键词统计则是按照商品特征开展计算，两种计算方式结合优化商品推荐精准度。
12.4K64编辑于 2022-05-20 - 来自专栏PPV课数据科学社区
【推荐】飞林沙：商品推荐算法&推荐解释
做过商品或者条目推荐的同学，应该都创建过一张这样的Product Graph. 但是这样的图谱不具备文本含义的解释性，而且也没办法很好的和内容关联起来。 因为我们要时刻记得我们产生Topic的意义不仅仅是用来做推荐，还有为基于Link关系的商品推荐生成推荐理由，topic生成与商品之间的连接关系息息相关。 ? 作者从几个角度去出发，这几点都是值得我们在做推荐算法的时候考虑的： <1> 推荐的递进性，我们过去无论在做商品聚类，还是基于标签推荐时，都是基于一个无向的“图模型”。 但是从工程角度上，并不适合上来就搭建这么复杂的模型，所以我们可以适当做简化，例如： <1> 认为相同目录下的商品是替代关系，不同目录的商品是互补关系。 <2> 通过抽取不同类目的关键词和情感词，给每个类目一组关键词，例如鞋子可以分成Size, 颜色, 舒适度,性价比等，然后通过关键词抽取对商品的不同维度去做分级，从而在推荐理由的时候就可以形成推荐产品的递进关系
2.2K50发布于 2018-04-23 - 来自专栏Zephery
商品推荐系统-FAISS召回
商品推荐系统-FAISS召回 1. 背景与挑战 在互联网电商、内容平台等实际业务中，商品库动辄百万量级，如何为每位用户从海量商品中迅速召回个性化、高相关的候选商品，是推荐系统最基础也最关键的一环。 3.2 推荐方案 建议用 sentence-transformers，支持中英文，速度效能良好。 如需多模态（如商品图片），可追加用 CLIP/BLIP-2 提取图片向量后与文本拼接或融合。 ： 索引训练和add建议只做一次，持久化磁盘，后续服务直接热加载 支持多核并发（推荐设置 omp_set_num_threads） 百万级数据建议用 IVFFlat+归一化，千万量级也支持 代码示例： 核心经验：内容型推荐的向量建模与高效检索要“两条腿走路”，embedding和FAISS索引标准解耦、分批处理，并进行合理持久化与参数调优，才能满足大规模、实时推荐业务的需求。 FAISS已经成为现代推荐与搜索系统的主流底层方案，在你的实际业务中大可放心应用，并可通过本文流程快速上线工程原型。
86500编辑于 2025-06-11 - 来自专栏机器学习AI算法工程
飞林沙：商品推荐算法&推荐解释
做过商品或者条目推荐的同学，应该都创建过一张这样的Product Graph. 但是这样的图谱不具备文本含义的解释性，而且也没办法很好的和内容关联起来。 因为我们要时刻记得我们产生Topic的意义不仅仅是用来做推荐，还有为基于Link关系的商品推荐生成推荐理由，topic生成与商品之间的连接关系息息相关。 作者从几个角度去出发，这几点都是值得我们在做推荐算法的时候考虑的： <1> 推荐的递进性，我们过去无论在做商品聚类，还是基于标签推荐时，都是基于一个无向的“图模型”。 但是从工程角度上，并不适合上来就搭建这么复杂的模型，所以我们可以适当做简化，例如： <1> 认为相同目录下的商品是替代关系，不同目录的商品是互补关系。 <2> 通过抽取不同类目的关键词和情感词，给每个类目一组关键词，例如鞋子可以分成Size, 颜色, 舒适度,性价比等，然后通过关键词抽取对商品的不同维度去做分级，从而在推荐理由的时候就可以形成推荐产品的递进关系
3.3K90发布于 2018-03-12 - 来自专栏毕设程序汇总
基于java与springboot结合商品推荐算法实现商品推荐网站+商品管理系统后台，mysql，vue
面对海量的商品信息如何实现针对不同用户维度开展个性化商品推荐，实现用户线上选购商品，下订单，支付，物流配送等？ 一、程序设计本次商品推荐及管理系统主要内容涉及：主要功能模块：商品推荐网站前台，商品管理系统后台主要包含技术：springboot，mybatisplus，mysql，javascript，vue.js 商品推荐网站前台主要包括以下功能清单：用户登录注册商品轮播图商品分类展示商品推荐展示用户购物车订单管理订单配送管理个人中心修改密码商品管理系统后台主要包括以下功能清单：管理员登录商品管理轮播图配置热销商品配置新品上线配置为您推荐配置商品分类管理会员管理订单管理二 、效果实现网站登录图片系统主页图片商品详情图片购物车图片我的订单图片后台商品管理图片轮播图管理图片订单管理图片热销商品管理图片其他效果省略三、商品推荐设计本次毕设系统在商品推荐算法设计中，主要采用基于用户协同过滤算法 +商品内容关键词统计分析计算两种方式，其中基于用户协同过滤推荐算法主要利用用户历史购买商品的情况，开展相似用户计算，商品关键词统计则是按照商品特征开展计算，两种计算方式结合优化商品推荐精准度。
2K20编辑于 2022-12-02 - 来自专栏架构师修炼
非常强大的商品实时推荐系统！
数据存储在Hbase的user表 产品画像记录 -> 实现基于标签的推荐逻辑 用两个维度记录产品画像,一个是喜爱该产品的年龄段,另一个是性别 数据存储在Hbase的prod表 事实热度榜 -> 实现基于热度的推荐逻辑 数据按时间窗口统计数据大屏需要的数据,返回前段展示 数据存储在Hbase的con表 b. web模块 前台用户界面 该页面返回给用户推荐的产品list 后台监控页面 该页面返回给管理员指标监控 2.推荐引擎逻辑说明 2.1 基于热度的推荐逻辑 现阶段推荐逻辑图 ? 根据用户特征，重新排序热度榜，之后根据两种推荐算法计算得到的产品相关度评分，为每个热度榜中的产品推荐几个关联的产品 2.2 基于产品画像的产品相似度计算方法 基于产品画像的推荐逻辑依赖于产品画像和热度榜两个维度 前台推荐页面 当前推荐结果分为3列,分别是热度榜推荐,协同过滤推荐和产品画像推荐 ? 4.
3.4K40发布于 2021-05-17 - 来自专栏全栈程序员必看
大数据–商品推荐系统介绍（上）
这次我们介绍商品推荐系统： 推荐系统是什么 推荐引擎的分类 常见的推荐算法 混合的推荐机制(重要) 推荐系统架构 协同过滤的实现 推荐引擎解决的几个问题 主动的用户，通过类目和搜索进行引导，对结果页进行干预 被动的用户，通过用户的历史行为分析，推荐用户可能感兴趣的商品。 问题： 新用户怎么推荐？——–默认推荐 基于用户的协同过滤算法，推荐的商品都是已经被购买过的，对于没有被用户购买过的商品，该如何推荐？ ———混合推荐，将多种推荐模型的结果打乱混合推荐 商品数据和用户数量都很大的情况下，如何处理？ 这听起来比较拗口，简单的说就是几件商品同时被人购买了，就可以认为这几件商品是相似的，可能这几件商品的商品名称风马牛不相及，产品属性有天壤之别，但通过模型算出来之后就是认为他们是相似的。什么？
2.4K20编辑于 2022-07-21 - 来自专栏全栈程序员必看
商品搜索引擎—推荐系统设计
一、前言 结合目前已存在的商品推荐设计（如淘宝、京东等），推荐系统主要包含系统推荐和个性化推荐两个模块。 二、系统推荐 2.1、系统推荐目的 针对所有用户推荐，当前比较流行的商品（必选） 或 促销实惠商品（可选） 或 新上市商品（可选），以促进商品的销售量。 PS：根据我们的应用情况考虑是否 选择推荐 促销实惠商品 和 新上市商品。（TODO1） 2.2、实现方式 实现方式包含：系统自动化推荐 和 人工设置推荐。 （1）系统自动化推荐考虑因素有：商品发布时间、商品分类、库存余量、历史被购买数量、历史被加入购物车数量、历史被浏览数量、降价幅度等。 ： GenericUserBasedRecommender：基于用户的推荐器，用户数量少时速度快； GenericItemBasedRecommender：基于商品推荐器，商品数量少时速度快，尤其当外部提供了商品相似度数据后效率更好
1.9K40编辑于 2022-06-29 - 来自专栏成套网站
基于python评论分析的商品推荐系统设计
1.6协同过滤算法介绍协同过滤算法是一种常用于推荐系统的技术，它基于用户行为历史或项目之间的相似性来进行推荐，该算法通过分析用户对项目的评价或行为历史，找出具有相似兴趣的用户群体，然后向目标用户推荐这些用户喜欢的项目 它假设相似的用户倾向于喜欢相似的项目，该算法则是通过分析项目之间的相似性，向用户推荐与其已喜欢项目相似的其他项目。 然而，它也存在冷启动问题，即对于新用户或新项目，推荐效果较差，为了克服冷启动问题，研究人员提出了多种改进算法，如基于内容的推荐、混合推荐等。 这些方法结合了协同过滤算法和其他技术，提高了推荐系统的准确性和覆盖率。2 功能实现
29910编辑于 2025-09-11 - 来自专栏架构之家
基于 Flink 实现的商品实时推荐系统(附源码)
前言 之前一直给大家推荐的是关于 Flink 的介绍和知识点，可以在历史文章搜索了解。 数据存储在Hbase的user表 产品画像记录 -> 实现基于标签的推荐逻辑 用两个维度记录产品画像,一个是喜爱该产品的年龄段,另一个是性别 数据存储在Hbase的prod表 事实热度榜 -> 实现基于热度的推荐逻辑 2.1 基于热度的推荐逻辑 现阶段推荐逻辑图 根据用户特征，重新排序热度榜，之后根据两种推荐算法计算得到的产品相关度评分，为每个热度榜中的产品推荐几个关联的产品 2.2 基于产品画像的产品相似度计算方法 前台推荐页面 当前推荐结果分为3列,分别是热度榜推荐,协同过滤推荐和产品画像推荐 4. ，等有了一定的历史数据之后，就能实现实时推荐的效果了 6.
2.4K21编辑于 2022-07-12 - 来自专栏肉眼品世界
基于 Flink 实现的商品实时推荐系统(附源码)
前言 之前一直给大家推荐的是关于 Flink 的介绍和知识点，可以在历史文章搜索了解。 2.1 基于热度的推荐逻辑 现阶段推荐逻辑图 ? 根据用户特征，重新排序热度榜，之后根据两种推荐算法计算得到的产品相关度评分，为每个热度榜中的产品推荐几个关联的产品 2.2 基于产品画像的产品相似度计算方法 基于产品画像的推荐逻辑依赖于产品画像和热度榜两个维度 前台推荐页面 当前推荐结果分为3列,分别是热度榜推荐,协同过滤推荐和产品画像推荐 ? 4. ，等有了一定的历史数据之后，就能实现实时推荐的效果了 6.
6.8K40发布于 2021-06-08 - 来自专栏陶士涵的菜地
商城客服系统，对接购买的商城订单，以及商城商品等可以给客户推荐商品
direction="vertical" :column="4" border v-for="item in order_list"> <el-descriptions-item label="<em>商品</em> " :span="3"><{item.商品}></el-descriptions-item> <el-descriptions-item ><el-button @click="postMessage 手机:"18100000000", 联系地址:"江苏省苏州市吴中区吴中大道 1188 号", 商品
74610编辑于 2024-06-27 - 来自专栏XiaoLin笔记
基于SpringBoot的协同过滤商品推荐商城系统
个性化推荐的目标是根据具有相似偏好的用户的观点向目标用户推荐新的商品。好的个性化推荐系统能够发掘用户喜欢的商品，并推荐给用户。 本课题旨在研究基于用户的协同过滤推荐算法在电子商务个性化商品推荐中的应用。 研究电子商务推荐系统对企业和社会具有很高的经济价值。电子商务个性化推荐系统的关键是建立用户模型。 个性化推荐技术是电子商务推荐系统中最核心最关键的技术，很大程度上决定了电子商务推荐系统性能的优劣 基于用户的协同过滤推荐算法 功能 前台业务流程分析 前台业务是为了购买商品的用户而设计的，用户可以浏览网站中的商品和一些服务相关的内容 在这种背景下,推荐系统(Recommender System)应运而生,它是根据用户个人的喜好、习惯来向其推荐信息、商品的程序[7]。 电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐产品,帮助用户从庞大的商品目录中挑选真正适合自己需要的商品,尽可能为每个顾客提供个性化的服务。
1.4K10编辑于 2022-05-26 - 来自专栏毕设程序汇总
BS1069-基于javaSpringboot的协同过滤推荐算法的商品推荐系统
本基于javaSpringboot的协同过滤推荐算法的商品推荐系统，系统主要采用java，springboot，动态图表echarts，vue，mysql，mybatisplus，商品数据分析，协同过滤推荐算法 ，实现协同过滤推荐算法的商品推荐系统，系统提供商品购物前台网站，商品后台管理系统等功能。 前台购物网站平台主要包含：用户登录，用户注册，商品分类，商品列表，商品推荐，用户购物车，个人中心等模块商品管理后台主要包含：用户管理，商品管理，热门商品管理，订单管理，推荐配置，分类管理，系统管理等等。 原文地址一、程序设计本基于javaSpringboot的协同过滤推荐算法的商品推荐系统，主要内容涉及：主要功能模块：用户登录，用户注册，商品分类，商品列表，商品推荐，用户购物车，个人中心，用户管理，商品管理 ，javascript等二、效果实现商城首页图片用户登录图片个人中心图片系统后台图片商品管理图片三、代码实现基于javaSpringboot的协同过滤推荐算法的商品推荐系统主要采用前后端模式，针对商品游客数据查询封装成
92520编辑于 2023-09-18 - 来自专栏小小挖掘机
RS Meet DL(79)-序列推荐中使用长尾商品提升推荐多样性
，介绍了如何在序列推荐中来提升推荐系统的多样性，一起来了解一下。 1、背景 用户在访问推荐系统的某一刻， 其兴趣往往是单一的，那么如果推荐列表只能覆盖用户的一个兴趣点，而这个兴趣点不是用户这 个时刻的兴趣点，推荐列表就不会让用户满意。 多样性推荐列表的好处用一句俗话表述就是“不在一棵树上吊死”。 提升推荐系统多样性的一种手段是充分利用长尾商品。 但大多数的长尾商品被曝光的机会很少，与用户交互的次数也很少，此时可能推荐模型学习不充分导致推荐系统的精度有所损失。 因此许多工作中将这部分长尾物品从训练集中剔除，从而也导致了推荐结果集中在较为热门的部分商品上。 为了解决上面的挑战，本文提出了一种在保留推荐精度的情况下，提升推荐系统多样性的方法。一起来看一下。
99640发布于 2020-03-17 - 来自专栏java学习java
手把手教你用python实现简单商品推荐
具体实现方式是计算物品之间的相似度，然后选取相似度最高的物品作为邻居，最后根据邻居的评分数据生成推荐列表。 简单商品推荐运行demo import numpy as np # 物品相似度计算函数（余弦相似度） def cosine_similarity(item1, item2): mask = np.logical_and 然后根据邻居物品的评分计算推荐物品的分数，并返回按分数降序排列的物品索引。 return np.argsort(recommendations)[::-1] # 返回按推荐分数降序排列的物品索引 推荐函数 recommend 的输入参数为用户ID、评分数据和可选参数 将 recommendations 数组按推荐分数降序排列，并返回按排名排序的物品索引数组。
79021编辑于 2023-12-19 图神经网络在商品推荐中的创新应用
使用图神经网络推荐相关商品在今年的欧洲机器学习会议（ECML）上，提出了一种新的相关商品推荐方法，该方法在定向图上使用图神经网络。 技术挑战使用图神经网络（GNN）进行相关商品推荐的主要困难在于产品之间的关系是不对称的。向购买新手机的客户推荐手机壳完全合理，但向购买手机壳的客户推荐手机则不太合理。 解决方案通过为每个图节点生成两个嵌入来解决这个问题：一个表征其作为相关商品推荐源的角色，另一个表征其作为目标的角色。 还提出了一种新的损失函数，鼓励相关商品推荐（RPR）模型选择沿着出站图边的产品，并阻止它们推荐沿着入站边的产品。 一旦GNN训练完成，选择k个最佳相关产品推荐仅仅是在嵌入空间中识别最接近源节点的k个节点的问题。
27910编辑于 2025-08-30- 来自专栏Web技术布道师
推荐10-避免商品超卖的4种方案
原始方案（失败）：在每次下订单前我们判断促销商品的数量够不够，不够不允许下订单，更改库存量时加上一个条件，只更改商品库存大于0的商品的库存，当时我们使用ab进行压力测试，当并发超过500，访问量超过2000 当用户抢到一件促销商品后先触发文件锁，防止其他用户进入，该用户抢到促销品后再解开文件锁，放其他用户进行操作。这样可以解决超卖的问题，但是会导致文件得I/O开销很大。 将要促销的商品数量以队列的方式存入redis中，每当用户抢到一件促销商品则从队列中删除一个数据，确保商品不会超卖。
1.3K10发布于 2019-09-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号