协同过滤 + AI语义:落地可自动化的电商推荐方案

帮一个电商客户搭推荐系统那会，没先上模型。

我习惯先用手边最熟的家伙把逻辑跑通再看要不要换。那次用的Excel。

─────────────────────────

从Excel开始

他是卖女装的，品类挺固定。我没去折腾用户聚类那一套，直接算商品跟商品的关系——COUNTIFS拉浏览记录，看哪两个商品同时被同一个人看过。跑完是一张商品x商品的共现矩阵。

连衣裙跟打底裤一起出现的次数特别高。能说明问题。

Item-based就这么回事。在他这个数据上够用。后来做过好几个项目，品类别太宽的我都先试Item-based。

不是它多好，就是不出错。打底裤搭连衣裙，不会因为用户今天心情好不好就变了。

不是Item-based多好，就是不出错。商品跟商品的关系，比用户跟用户的关系稳。

▎ 相似度换了三次

相似度我换过三次。也不是什么有计划地AB测试，碰到问题了就换。

一开始用的余弦。它只看方向不看长度——张三什么都爱点，他的评分向量跟竹竿一样长，但方向对上了就算对。这个特性在行为数据飘忽不定的时候还挺好用。

后来碰到一个项目，打分习惯差太多了。有人最高只打3分有人全5分。余弦全算出了不该是邻居的邻居。换了皮尔逊。皮尔逊会先减掉每个人的平均分再比，代价也有——两个人得有足够多的共同评分商品，数据一稀疏就傻了。

再后来有个客户干脆没评分，只有点击。余弦跟皮尔逊都指望不上，Jaccard硬算的，两个人都点过的除以总共点过的。东西不复杂，反而最稳。

三种轮过一遍，脑子记住的不是谁好谁不好，是每种卡在什么地方过。后来新项目上来，扫一眼数据大概就知道该用什么。不是总结出来的，是做多了。

三种方法轮一遍，记住的不是谁更好，是每种卡在什么地方。新项目扫一眼数据就知道该用什么。

────────────────────────

协同过滤够不着的地方

协同过滤最舒服的状态是数据够了。新用户冷冰冰进来什么行为没有，新商品上架了没人点过——这时候协同过滤使不上力。

▎ 冷启动二选一

做法挺直接的。新用户先推热榜，等点过两三个商品立刻切Item-based。就这一个切换，比一直推热榜高了大概20%的转化。新品上架前运营把品类标签风格标签填好，靠标签推，攒够点击了再切回来。

老用户也有一类不好办的情况。数据看着不少，全扎在促销爆款上了。这时候Item-based推出来的东西全是同类爆款，画像是歪的。我把同品类权重砍一半，掺30%没在这个用户历史里出现过的品类新品。阈值设在用户80%以上的互动都集中在单一品类时触发。

这些办法都不算完美但能跑。协同过滤还有管不到的——搜索词特别长、语义特别冷的用户。协同过滤靠的是"跟这个用户行为相似的人也喜欢什么"，搜索词太奇怪就找不到邻居了。

▎ AI补协同过滤的缺口

AI补的是这块。从搜索词里拆维度——夏天穿的、风格偏正式、场景面试、预算不高——然后在向量库里做多维匹配。不是找相似用户了，是找跟这些维度都匹配的商品。

举个例子。有个用户搜了"夏天穿的轻薄西装""面试正装不要太死板""初入职场穿搭"，然后点了两件浅灰色blazer。协同过滤按她点的blazer找人——也点过相同blazer的人还点了什么。AI从搜索词里拆出季节、风格、场景、预算，在库里同时匹配。

那个女装客户的数据：纯协同过滤点击率大概3.8%，加query理解加embedding到了5.2%。涨最多的不是热门，是长尾。协同过滤根本够不着的那些冷门搜索，AI能兜住。

纯协同过滤3.8%，加AI到5.2%。涨最多的不是热门，是长尾——协同过滤够不着的冷门搜索，AI能兜住。

─────────────────────────

搭完挂上去就不管了

▎ 画像不带标签，拆三层

画像我没用那种"年轻女性喜欢运动预算中等"的标签。太粗了，啥都能套啥都不准。

拆了三层。年龄地域注册来源这些不怎么变的当锚点。近30天点了什么品类什么价格带搜了什么词，30天一滚。从行为推算出来的——"可能准备结婚""可能在换季"——写清楚置信度。

推荐的时候锚点兜底，行为层主推，推理补几件做试探。

画像是活的。每天算跟每周算效果差不少，这个差别比换算法还大。不是直觉说的，我们拿同一个月的数据跑了两次对比出来的。

画像是活的，每天算跟每周算效果差不少。这个差别比换算法还大——天天跟数据打交道的人才懂。

▎ 挂的三个定时任务

几个固定活挂到OpenClaw上让它自己跑。

凌晨两点拉一次热榜——各品类最近24小时Top100，拆开推给对应人群。

每周拉一次长尾曝光不足但评分高的，混进推荐池限流推送。

这些东西不靠Agent盯着，人自己盯不了。不是不勤快，是记不住。

yaml

# OpenClaw Agent配置：推荐系统agents:hot_rank_refresh:trigger: cron(02 * * *)task: >查询每个品类最近24小时点击Top100商品，按品类分组写入Redis(key: hot_rank:{category}:{date})constraints:- 只读操作，不修改商品数据- 超时300秒user_profile_weekly:trigger: cron(04 * * 1)task: >读取最近7天用户行为，更新行为层：品类偏好分布（按点击占比）、价格带偏好（加权平均）、搜索词聚类（keybert抽Top3关键词），推理层重新打分标置信度，写Redis(key: user_profile:{uid})constraints:- 单用户计算不超过30秒- 置信度低于0.5的推理标签标___PH___STR0_auto_tag_new_item:trigger: webhooktask: >读商品标题、主图、描述文本，提取品类名称、风格属性、季节属性、适用场景四个维度的标签，写标签系统，置信度低于0.6标___PH___STR0_constraints:- 单次不超过10个商品- 标签值从预定义词表选择max_runtime: 120

跑起来之后基本不管了，偶尔看指标调阈值。

▎ 数据不到家别急着上AI

以前干过一件蠢事。有个项目数据还不到五万条，上来就想全上AI端到端。AI在小数据上找的相似性基本是瞎猜，协同过滤好歹能找到几个硬邻居。

后来就分清楚了。

实际很少只用一种。热门品类协同过滤快，长尾切AI语义。混排兜一下多样性，列表不全是类似的东西就行。

协同过滤最好自己上手算一遍，Excel也行。算跟不算是两回事。