原論文在UMAP‘16。文章並沒有太高深的模型，比較接地氣；但其觀點與結論很獨到，並且在工業界具有很強的實際操作價值。

針對推薦系統的研究大多關註在挖掘用戶並不知道但是卻與其興趣相關的物品。不過每個推薦系統所在的領域都有其各自的特點，本文所討論的是電商領域的推薦系統，在電商領域中，給用戶適當地推薦其過去曾經瀏覽過（或者消費過）的物品（reminders）同樣具有一定的價值。

實驗證明，在推薦結果中同時包含有reminders以及協同過濾（CF）等推薦方式的結果時，具有最好的效果。但是在推薦reminders時候也有很多需要改進的點：（1）如何避免太過明顯的重復瀏覽的商品，避免已經無效商品（下架等）；（2）如何推薦與用戶當前購物需求相關的reminders。

首先，文章分析了用戶對於電商網站的推薦內容中的reminders的接受度。以Zalando網站（一家歐洲的在線購物網站）為例，抽樣了3000個重度用戶，他們對18w+的商品有過310w量級左右的商品瀏覽記錄，以及10w+的購買記錄。對於這些用戶，從日誌中分析出有一下幾個重要點：

1. 一個用戶的購物session中平均有9次商品的瀏覽行為；平均每3次購物session會轉化為一次購買行為。

2. 在推薦的商品中，有約1/10的商品是reminders，即用戶之前已經瀏覽過這些商品；有約1/4的推薦列表中包含有至少一個reminders。

3. 在成功推薦的商品（在同一次session中，用戶對該商品的點擊瀏覽行為最終轉化為購買行為）中，有約40%的商品為reminders。

4. 在用戶最終轉化成購買行為的reminders中，用戶對這些商品在此前有過若幹次的瀏覽行為。如下圖所示：有成功推薦商品數與用戶距離對該商品首次瀏覽時候的天數間隔的關系；以及成功推薦商品數與用戶對該商品的瀏覽次數的關系。

5. 在一次購物session中，用戶平均瀏覽的商品類目約為2.7個，說明用戶在一次session中的意圖還是比較有目的性的。

reminders的推薦策略

一個通用的流程是：

1. 獲取用戶在過去時間內有過瀏覽行為的商品集合，並從中篩選出哪些商品可以用作reminders。

2. 對這些reminders進行一定規則的過濾，並進行排序得到最終的reminders推薦結果。

排序的策略有：

1. Interaction Recency（IRec）

對某商品的瀏覽行為發生的時刻越接近，排序分越高。

2. Interaction Intensity（IInt）

對某商品的瀏覽行為發生的次數越多，排序分越高。

3. Item Similarity（ISim）

有過瀏覽行為的商品，與當前用戶的購物意圖（以當前實時瀏覽的商品來表示）越接近，排序分越高。

4. Session Similarity（SSim）

有過瀏覽行為的session，與當前用戶的購物意圖（以當前實時瀏覽的session來表示）越接近，排序分越高。然後再對排序較高的session中的商品進行IInt策略的重排序。

Feature-based Category Filtering

在電商領域，用戶一般很少對相同類目下的商品進行重復購買，所以至少在一定時間間隔內，不應該給用戶推薦與其之前已經購買過的商品屬於相同類目的商品。

維護一個blacklist，對用戶已經購買過的商品，將其類目加入到這個blacklist中，直至其又重新開始瀏覽該類目的商品再將其移出blacklist。

為了防止推薦商品太過於obvious，增加一個obvious gap的時間間隔，對於與當前時刻過近的時間段內用戶瀏覽過的商品 ，我們不應當將其看作reminders。

版權聲明：

本文由笨兔勿應所有，發布於http://www.cnblogs.com/bentuwuying。如果轉載，請註明出處，在未經作者同意下將本文用於商業用途，將追究其法律責任。

Reminders在電商推薦中的價值