本文主要介绍了淘宝的在线推荐策略，包括如何采集和预测用户行为以实现更精准的推荐，以及这一策略对于提升用户体验和增加转化率的重要性。

今天简单跟大家聊一个淘宝的策略。

不知道大家在平时逛淘宝的时候有没有发现这么一个case：当你进入淘宝首页，从首页的商品feed流任意点击一个商品，进入商品详情页浏览若干时间。

当你再次返回首页的时候，你会发现刚才你点击商品坑位下方会移动上来一个卡片，这个卡片里面的内容和刚才你浏览的商品十分“相似”。

大家可以自行体验一下。

除了淘宝，京东，美团都有类似的前端交互。这个是什么？

其实就是典型的实时推荐。

我们都知道推荐的核心在于根据用户的兴趣给他们进行结果展示，但是，不要忽略一点，那就是用户的兴趣其实是随时变化的。

我之前经常举一个例子：男生和他女朋友吵架了，那么他为了哄女朋友开心，买一个女包，这种场景太常见了。

所以如何能够快速，准确地捕捉到用户这种近乎“实时”的需求就很关键，也是提高推荐成交率的核心手段。

明显传统的基于离线数据去做推荐，很显然是无法满足的，这个时候其实就是我们常说的基于用户当前session的行为的准实时推荐。

如何做？我画了一个业务流程来说明这个问题的解法

所以，大家其实能够根据上面的流程看到其中的关键点：

用户行为的采集，当然更多的是预测用户实时偏好，比如可以根据当前浏览的商品属性（类目，品牌，价格等等）去进行预测；

基于实时偏好预测，计算其可能感兴趣的商品集，可以实时进行计算，也可以根据离线相似物品集生成；

端上重排，前端给到用户实时反馈。

当然，现在还有很多其他“实时”的推荐，就是把你近一次，或者进几次访问APP发生的行为数据加入到推荐系统的策略逻辑当中，这些行为对推荐结果的影响会体现在下一次用户访问APP当中。

这种有时候也会被定义为实时推荐，但是时效上显然是弱于上面提到的方案，所以有时候也称这种的为准实时推荐。

本文由人人都是产品经理作者【夏唬人】，微信公众号：【策略产品夏师傅】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于 CC0 协议。