推荐引擎,是主动发现用户当前或潜在需求,并主动推送信息给用户的信息网络。
具体来说,推荐引擎综合利用用户的行为、属性,对象的属性、内容、分类,以及用户之间的社交关系等等,挖掘用户的喜好和需求,主动向用户推荐其感兴趣或者需要的对象。
推荐引擎不是被动查找,而是主动推送;不是独立媒体,而是媒体网络;不是检索机制,而是主动学习。
推荐引擎利用基于内容、基于用户行为、基于社交关系网络等多种方法,为用户推荐其喜欢的商品或内容。
基于内容的推荐是分析用户正在浏览的内容的"基因",选择与当前内容有相似"基因"的对象推荐给用户。同时也分析用户过去浏览过的内容的"基因",从而获取其偏好,然后将与用户偏好的对象推荐给用户。例如,用户在浏览一款包的时候,为其推荐其他外形相似的包。
基于用户行为的推荐则是利用群体智慧算法,分析用户的群体行为,综合分析用户与用户之间的相似度、用户对小众商品的个性化需求,从而同时提高推荐的精准性、多样性与新颖性。
基于社交关系网络的推荐是通过分析用户所在的社交关系网络,找到其最能够影响到的用户,或者最能够影响到该用户的用户,再综合每位用户的个性化偏好进行推荐。
1995年3月,卡耐基.梅隆大学的Robert Armstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher; 斯坦福大学的Marko Balabanovic等人在同一会议上推出了个性化推荐系统LIRA;
1995年8月,麻省理工学院的Henry Lieberman在国际人工智能联合大会(IJCAI)上提出了个性化导航智能体Litizia;
1996年, Yahoo 推出了个性化入口My Yahoo;
1997年,AT&T实验室提出了基于协同过滤的个性化推荐系统PHOAKS和Referral Web;
1999年,德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM;
2000年,NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能;
2001年,纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1:1Pro;
2001年,IBM公司在其电子商务平台Websphere中增加了个性化功能,以便商家开发个性化电子商务网站;
2009年,百分点科技推出专业推荐引擎技术平台,这是一家专业的推荐引擎技术与服务提供商。
推荐引擎技术已经应用在生活的方方面面。
随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐引擎应运而生:为客户推荐商品,自动完成个性化选择商品的过程,满足客户的个性化需求,推荐基于:网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录。
个性化推荐能够帮助购物网站解决以下问题:(1)提高用户购物体验,提高转化率和增加用户黏度;(2)加速用户从浏览到购买的过程;(3)挖掘用户潜在需求,提高用户购买的品类数和多样性。
推荐引擎在网站是以站内推荐栏为最终体现形式,推荐栏展示的内容都是根据推荐引擎精准分析每个用户的兴趣偏好而智能推荐的。不同用户、不同时间点,每位用户看到推荐栏内容都是不一样的,都是最符合其当前兴趣偏好和需求的。图例如下,百分点推荐引擎在购物网站列表页、商品详情页、购物车页面构建智能商品推荐栏。
表现方式:”您是不是要找“等等。
表现方式:相关新闻收集等。
表现方式:”您可能认识的“,”可能认识的人“,”他们也关注了“等等。
表现方式:简写联想等。
表现方式:”推荐视频“,”你可能喜欢“等等。
联系客服