wen Java生鲜电商平台-电商个性化推荐引擎架构设计(小程序/APP)
Java生鲜电商平台-电商个性化推荐引擎架构设计(小程序/APP)
说明：Java生鲜电商平台-电商个性化推荐引擎架构设计，个性化推荐引擎，被广泛使用在电商网站，网络广告，咨询网站中，这里我们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。
在综合性的电商网站中，商品的数量通常在数10w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是更具客户的浏览行为，惊醒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，提示顾客体验，提示销售业绩，通过个性化推荐，可以在顾客即将达到某个购物周期时候，给客户提醒，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。
在了解了个性化推荐引擎的神奇效果之后，我们来学习如何搭建个性化推荐引擎，如图所示，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，在详细介绍之前，我们先回顾下老一代的推荐引擎的原理，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：当顾客购买了乔布斯的作品时，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，再推荐给客户其他品牌的剃须刀或推荐飞利浦的其他电子产品，效果不会很好的。
个性化推荐引起应用闭环
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，这些引擎包括场景引擎，实时引擎，上下引擎，规则引擎等
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，用户浏览商品详细页，购物车页面，订单结算页面等场景，在这些场景里，顾客的诉求都是不一样的。比如：当顾客浏览商品详细页，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，“为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。
实时引起：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的高的，需要有实时计算框架来支持。
上下文引擎：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。
规则引擎，通过人为的配置一些规则，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。
在上面的描述中，我们了解到了顾客画像的重要性，如图所示，是顾客画像的组成，包括人口中统计学的信息，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.
顾客图像组成
根据顾客画像信息，给顾客额“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那些是主标签，那些是辅助标签。
以上我们了解了个性化推荐引擎的业务实现，接下来我们来学习个性化推荐引擎的技术架构，如图所示，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，得到了初步的推荐结果，再经过场景引擎的规则过滤，驱虫，结果优化，把最终推荐结果展示给顾客，最终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，这也是个机器学习的过程，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接近顾客的真实需要。
个性化推荐引擎技术架构
结语
复盘与总结.
总结：
做Java生鲜电商平台的互联网应用，无论是生鲜小程序还是APP，搭建个性化推荐引擎技术架构设计思路是非常重要的，本文只是起一个抛砖引玉的作用，
希望用生鲜小程序的搭建个性化推荐系统的设计思路实战经验告诉大家一些实际的项目经验，希望对大家有用.
QQ:137071249
共同学习QQ群：793305035
