业务场景概述
众所周知，电商业务发展至今已经非常成熟，淘宝、京东、拼多多等电商巨头都在上线了覆盖了不同维度的推荐算法，用来提高用户下单率，支付率，延长用户在浏览商品页的时长，准确的商品推荐可以解决用户长时间筛选商品的这个问题，电商中的土场景更是覆盖在交易的各个环节，如果首页，详情页，购物车页，支付成功页或者是错误页等。
在电商网站里进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准的理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。甚至在站外推广时，能够做个性化营销。
不同位置的推荐产品定位不同：
单品页：购买意图;
过渡页：提高客单价;
购物车页：购物决策;
无结果页：减少跳出率;
订单完成页：交叉销售;
关注推荐：提高转化;
我的推荐：提高忠诚度;
首页猜你喜欢：吸引用户。
电商类推荐算法应该怎么做呢？
产品用户主要分为两大类：注册用户与未注册用户(浏览用户)
推荐算法主要分为三大类：
基于内容元数据的推荐（给内容打上标签，在浏览的过程中会有一些内容会被筛选掉,选取当前内容存在的元数据标签去推荐相同元数据的内容）。
基于用户画像的推荐（用户的基础数据,应用的浏览时长或者点击频率，内容的偏好数据）。基于过滤算法的推荐（寻找相近或者相似的用户或者内容推荐给用户
算法类型：召回算法（可以从多种的商品中选择出不同的偏好商品）和排序算法（对于多个商品进行排序,选择出最优的少量结果）
下面是自己绘制的pdf图，来帮助我们进入下一步
部分注册用户浏览过商城商品会有不仅会存在用户注册信息，还会产生与商品、店铺浏览、下单、支付记录，可以用来作为制作用户画像，作为推荐算法训练集。
1. 可以根据该用户之前浏览的商品类目进行降序,可以推荐该类目其他销量较好的产品。
2. 如果已经多次将该类商品推荐给指定用户，却没有带来明显转化,需要考虑是否降低该类目商品对用户的推荐权重，可以根据季节或者爆款重新组合。
3. 根据用户年龄、性别、职业、所在区域的用户商品浏览记录
浏览用户
浏览用户在被推荐时不存在用户特征信息与商品信息,所以无法生成较为精准的推荐矩阵。给用户推荐热门物品并不是推荐系统的主要任务，推荐系统应该帮助用户发现他们不容易发现的物品。
a) 冷启动问题
• 用户冷启动：用户冷启动主要解决如何给新用户做个性化推荐的问题。当新用户到来时，我们没有他的行为数据，所以也无法根据他的历史行为预测其兴趣，从而无法借此给他做个性化推荐。
• 物品冷启动：物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。
• 系统冷启动：系统冷启动主要解决如何在一个新开发的网站上（还没有用户，也没有用户行为，只有一些物品的信息）设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。
解决方案：
1）利用注册时的用户信息粗粒地个性化推荐（比如根据类目或者商品销量进行排序,推送最近一周/月热度最高的商品），使用用户注册登录后对某些商品进行反馈的兴趣信息进行个性化推荐
2）对于新加入的商品，可以利用已经存在的商品信息，将它们推荐给喜欢过和它们相似的物品的用户。
3）在对浏览用户收集反馈兴趣的商品时，需要注意选取最近一个月/周较为热门的产品，对于新用户的首次推荐物品需要多样化，我们需要提供具有很高覆盖率的启动物品集合，这些物品能覆盖几乎所有主流的用户兴趣。
4）可以根据用户在商城的搜索词条，关联相关商品进行推荐，类似于“其他用户都在搜”功能。
因为每个人的兴趣爱好、行为习惯等是不同的，所以每个人所看到的内容也是不同的。这样就避免了那些优质的内容由于不具备分享属性而不被人们所知的情形，也解决了运营依靠自身有限经验所推荐内容的不精准。
以上信息，部分来自网络引用，部分原创，将标注文章源地址，因为博主并不是专业的数据挖掘工程或者算法工程师，以上只代表个人认知，如果有错误之处，欢迎指正，下面将放出一些关于推荐算法的具体实现步骤，方便大家后期学习，希望大家多多支持。
这里是引用
1.http://bbs.paidai.com/topic/1724830
2.http://www.woshipm.com/pd/1302755.html
其他博主推荐算法具体实现步骤
这里是引用
1.基于协同过滤的推荐算法（基于物品与基于用户）：https://www.cnblogs.com/shengyang17/p/11516532.html
2.基于内容的推荐算法：https://blog.csdn.net/qq_43045873/article/details/93816108
3.电商搜索排序算法：https://www.aiyingli.com/67934.html