AI个性化推荐
算法、冷启动与抽检

为什么店铺会做个性化推荐？

货架位有限，用户停留时间也有限。全站共用同一排运营位时，新品、长尾和已购用户的补购都挤不进去。按行为调整排序，是为了提高“看了可能相关的商品”的概率，不是为了让算法替运营决定卖什么。

推荐能帮上忙的地方

• 缩短寻找：在用户已表达兴趣的品类里减少无效滑动
• 减少无关曝光：对明确不感兴趣的类目降权（用户能点“不喜欢”时更有用）
• 搭配与凑单：在详情页、购物车给出配件或门槛内商品，需与当前活动一致
• 给长尾机会：在探索流量里露出新品，但应用库存和差评做保护

私域店铺里，推荐还要和会员价、社群在推的款错开节奏，避免首页智能位把人工主推顶掉。场景清单见AI赋能私域，本文只把算法、冷启动和验收写清楚。

常见推荐思路（不必一次上深度学习）

推荐算法类型

1. 协同过滤

做法：用“买过类似东西的人还买了什么”“看过这件的人还看了什么”来补坑。

• 按人：找到行为相近的用户，借他们的点击和购买做候选
• 按货：找到常一起出现的商品，做关联推荐

适用：已有一定成交和浏览交叉。

弱点：新客、新品几乎没有共现；刷单和内部测试号会带偏；热门商品容易被反复推荐。

2. 内容与属性匹配

做法：用类目、品牌、价格带、标题关键词、材质等，对齐用户最近行为。

• 从历史点击归纳偏好标签
• 用商品属性做相似召回

适用：属性填得全的服饰、美妆、标品。

弱点：属性脏则推荐脏；容易越推越窄，缺少“换个风格试试”。

3. 模型综合打分

做法：把用户、商品、上下文（时段、页面）放进同一套模型里估点击或转化概率。

• 特征可以很多，但要能导出、能排查
• 关系是拟合出来的，不等于可向客服解释“因为您是某类人”

适用：流量和标注都够、有人看离线指标和线上对照。

弱点：算力和调参成本高；数据一变（大促、改版）就要重评；对外话术不能引用模型分数。

4. 实际店铺多用混合策略

线上很少只跑一种召回：

• 新客：运营位 + 品类热门 + 可选兴趣选择
• 有行为后：协同 + 相似款
• 详情页：关联购、配件，规则优先于模型
• 老客：个性化排序，同时保留探索位，避免信息茧房

推荐系统的关键要素

1. 数据收集（能少采就少采）

只收业务需要且隐私政策覆盖的字段。身份证、精确住址不要进推荐特征。

用户侧

• 注册时用户自愿填写的年龄段、性别、地区（未填不要靠模型“猜性别”去做营销称呼）
• 浏览、搜索、加购、下单、取消、售后（售后多的商品应降权）
• 用户主动选择的兴趣，以及“不感兴趣”反馈

商品侧

• 类目、品牌、价格、可售库存、是否预售
• 标题与主图（质量差会同时害搜索和推荐）
• 销量、评分要防刷；退款率应进入过滤

情境侧

• 是否营业、是否大促页、是否从社群链接进入
• 端（小程序/H5）影响版式，不一定要当强特征

2. 特征与业务规则

原始日志要变成模型能用的特征，更要先经过规则：

• 统计：近若干日点击、加购、客单，注意活动周不可与平日直接比
• 序列：最近浏览顺序，用于“接着看”
• 交叉：如价格带×类目；交叉过多会过拟合
• 硬规则：缺货下架、违禁词、未成年相关限制、已购短期内不再推同款（除非耗材）

3. 分场景策略

同一套模型打所有坑位，容易在购物车推重复款、在详情页推竞品把用户推走。建议分坑配置。

首页

• 新客：运营主推 + 热门 + 新品专区，个性化权重要低
• 回访用户：最近兴趣 + 少量探索
• 高客单用户：可以抬价格带，但不要只推贵的；要有退货和差评约束

详情页

• 看了又看：同款替代或同场景，避免直接推更低价仿款引发品牌客诉（视类目）
• 买了还买：配件、耗材、清洗剂等，需真实共现，不要编搭配故事
• 搭配：由运营维护白名单往往比纯算法稳

购物车

• 凑单：差多少元、哪些在售 SKU 能凑上，数字必须来自当前促销引擎
• 配件：与车内商品类目相符
• 替代：仅在缺货或用户明确比价时出现，避免显得在“偷偷换货”

搜索

• 个性化排序：相关性仍应优先；不能把不相关高佣商品排到前面
• 纠错与联想：错别字、同义词，需运营审核黑名单
• 无结果：给邻近类目或人工运营位，并说明“未找到原词”

冷启动

新用户和新商品缺少行为，这是推荐里最常见的失败点。不要用随机深模去“猜人”，先用规则和运营位把体验托住。

新用户

做法一：用已声明的信息

• 仅使用用户同意提供的性别、年龄段、兴趣
• 推荐该人群下运营确认过的热门，而不是全站历史销量第一（可能过季）

做法二：尽快收集偏好

• 注册或首次进入给可跳过的兴趣多选
• 新人专区的点击用于更新，但不要在未同意时跨应用追踪

做法三：热门加多样

• 保底：高评分且低退款的在售商品
• 覆盖多个类目，根据点击再收窄

新商品

做法一：靠属性找人

• 类目、品牌、价格带接近的历史购买者
• 属性缺失时先补资料，再进推荐池

做法二：给探索流量并设止损

• 固定小比例曝光，点击差、退款高则降权
• 不要为了“测款”把差评款持续推给老客

做法三：运营位

• 新品专区、社群预告与推荐位分工，避免三处互相抢同一批人

如何看效果、如何改

建议同时看三类指标

匹配是否变好

• 点击率：要分坑位、分新老客，并和“纯热门”对照
• 点后转化：只看点击会被标题党带偏
• 人均有效点击：排除误触和重复刷新

生意是否健康

• 推荐带来的成交：用归因窗口，承认和其他渠道重叠
• 客单与退款：客单涨但退款涨，策略要收回
• 复购：周期要覆盖商品使用时长，快消和耐用不可同一套标准

是否把货架推窄了

• 覆盖：多少在售 SKU 真正获得曝光
• 类目多样性：是否只剩两三个爆款轮播
• 新品占比：探索是否被关掉

没有行业通用的“点击率过线就算成功”。不同类目基数差一个数量级，不要套用他人后台截图里的比例。

优化时常用的手段

1. 对照实验

• 同一时期划流量，只改推荐策略
• 同时看点击、转化、退款，避免单一指标作弊
• 实验期覆盖工作日和活动日，结论才比较稳

2. 实时与熔断

• 库存售罄立即从候选集删除
• 某素材客诉上升则停推，不要等日终报表
• 根据当次会话点击调整下一屏，但要防止来回抖动

3. 利用与探索

• 利用：已知偏好，保证基本相关
• 探索：少量新品或相邻类目，用于发现兴趣
• 比例按类目试，不要当成固定公式；用户明确屏蔽的类目不要再探索回去

4. 多样化

• 同一屏避免清一色同款换色
• 价格带不要全部顶到最高或最低

5. 负反馈

• 提供“不感兴趣”，并在短期内生效
• 只加购不买，要区分比价、等活动还是推错了，不能一律催付

落地节奏（按能力，不按日历保证）

先能跑通数据

• 热门、相似、运营人工位
• 确认点击和曝光日志能对上商品 ID

再加浅层个性化

• 协同或内容相似，加上库存和禁推
• 坑位样式让用户知道这是推荐，并可反馈

有人看数再加深模型

• 分场景模型或统一打分
• 固定对照实验，而不是全量一刀切

与运营活动对齐

• 大促主推由人工锁位，模型不要把锁位顶掉
• 过期活动、预售结束的 SKU 及时退出

常见问题

Q1：多少用户才能做推荐？

A：热门和相似商品在商品资料齐全时就可以做。协同过滤要有交叉行为，具体要多少人没有统一门槛，几十个日活和几万日活能用的方法不一样。数据少时，把类目导航和搜索做好，往往比上复杂模型更稳。

Q2：会不会让用户只看到一类货？

A：会，如果只用“越点越相似”。需要探索位、多样性约束和负反馈。茧房不只是体验问题，也会让库存结构越来越偏。

Q3：怎样判断推荐有没有用？

A：和“关掉个性化、只留热门+人工运营”对照。若点击升、退款升、客诉升，不能算作改进。不要用无法溯源的行业百分比当验收线。

总结

个性化推荐是排序工具，验收要看匹配和风险，而不是宣传语：

• 能做的：在规则内提高相关曝光、给配件和凑单、为新品分配探索流量
• 做不到的：单靠算法保证转化；在资料缺失、刷单、冷启动时“猜准需求”
• 必须人工：禁推清单、大促锁位、抽检是否推到缺货或高退款商品
• 合规：少采敏感信息；不要把推断标签展示给用户看

标签怎么建、怎么用于圈人，见AI用户画像。