推荐系统技术参考
1. 任务书要求
任务书要求做关联商品推荐：
- 将
pv、fav、cart、buy视为正向隐式反馈。 - 构建用户-商品交互集合。
- 对用户交互过的商品做两两组合。
- 统计物品共现频次。
- 输出每个商品 Top-5 关联商品。
2. 基础算法：物品共现
基础做法：
- 按用户聚合交互商品集合。
- 对每个用户的商品集合做两两组合。
- 累加商品对共现次数。
- 对每个商品按共现次数排序。
- 输出 Top-5。
推荐原因：
- 简单可解释。
- 与任务书高度一致。
- 不需要额外评分、标签或模型训练。
3. 可增强方向
行为加权
可以给不同行为不同权重：
| 行为 | 示例权重 |
|---|---|
| pv | 1 |
| fav | 2 |
| cart | 3 |
| buy | 4 |
注意：任务书说都视为正向隐式反馈，不等于必须同权。使用权重时要说明原因。
控制高活跃用户影响
高活跃用户交互商品太多，会产生大量商品对。可限制：
- 每个用户最多取 N 个商品。
- 优先保留 buy/cart/fav，再采样 pv。
- 剔除异常高频用户。
同类目解释
推荐结果输出后，抽样判断：
- 是否同类目。
- 是否跨类目。
- 是否符合搭配或替代关系。
4. 不建议上复杂模型
不建议在主线中使用深度学习推荐模型。原因：
- 数据字段少。
- 训练、调参和解释成本高。
- 任务书更看重可解释的共现推荐。
5. 推荐交付
代码/推荐/recommend.py其他/LZ-组6_关联推荐结果_v1.xlsx文档/LZ-组6_推荐方法说明_v1.md- 报告中放 3 到 5 个推荐样例解释。