Java生鮮電商平臺-電商個性化推薦引擎架構設計(小程序/APP)
說明：Java生鮮電商平臺-電商個性化推薦引擎架構設計，個性化推薦引擎，被廣泛使用在電商網站，網絡廣告，諮詢網站中，這裏我們以電商網站的使用場景爲例，給大家介紹個性化推薦引擎的架構設計。
在綜合性的電商網站中，商品的數量通常在數10w以上，個性化推薦是幫助顧客在最短的時間內找到想要的商品，還有一種情況是，顧客在購物過程中並沒有很明確的購物意圖，只是逛逛，看到喜歡的就買，這個時候個性化推薦就是更具客戶的瀏覽行爲，驚醒有針對性的商品推薦，幫助顧客挖掘他的購買需求。
個性化推薦，能夠幫助電商網站，提示顧客體驗，提示銷售業績，通過個性化推薦，可以在顧客即將達到某個購物週期時候，給客戶提醒，提升人文關懷，比如，通過個性化推薦引擎的算法，可以在顧客的大米，油鹽即將使用完的時候，給顧客提醒信息，讓顧客通過“一鍵購”的便捷方式再次購買商品，有效提升老顧客的復購率。
個性化推薦，能夠優化網站展示商品內容，提升銷售，提升毛利，提高長尾銷售，促進跨品類購買等，經過統計發現，使用了個性化推薦以後，能夠提升顧客下單率2倍以上，提升訂單轉化率20%以上。
在瞭解了個性化推薦引擎的神奇效果之後，我們來學習如何搭建個性化推薦引擎，如圖所示，這是個性化推薦引擎和應用閉環。新一代的推薦引擎是基於用戶畫像的。當前被廣泛使用在各大電商網站的推薦引擎中，在詳細介紹之前，我們先回顧下老一代的推薦引擎的原理，老一代的推薦引擎是基於商品屬性關聯的，以亞馬遜網站爲代表，這跟商品的品類是有關係的。最初亞馬遜是以賣書爲主的，書的主要屬性是書目分類，作者，題材等，例如：當顧客購買了喬布斯的作品時，可以推薦作者其他的作品給顧客，一般情況下是有效的.
但是在品類繁多的百貨類商品的購物環境中，基於商品屬性的推薦就略顯單一了，例如 顧客購買了飛利浦的剃鬚刀，再推薦給客戶其他品牌的剃鬚刀或推薦飛利浦的其他電子產品，效果不會很好的。
個性化推薦引起應用閉環
在這類商品的各類繁多的複雜的購物場景中，新一代的基於顧客畫像的推薦就取得了非常好的效果，再結合商品關聯，商品基因，通常就比較精準了，顧客畫像提供了豐富的基礎數據，需要通過四個引擎模塊對這些顧客畫像數據進行處理，這些引擎包括場景引擎，實時引擎，上下引擎，規則引擎等
場景引擎：是根據在購物過程中的不同場景進行推薦，例如顧客剛進入網站，用戶瀏覽商品詳細頁，購物車頁面，訂單結算頁面等場景，在這些場景裏，顧客的訴求都是不一樣的。比如：當顧客瀏覽商品詳細頁，此時顧客對這款商品是感興趣的，可以做同類商品推薦，關聯商品推薦等，當顧客把商品加入購物車，此時可以推薦給顧客，“爲了這款商品的其他顧客又買了什麼”這樣的商品推薦列表，引導顧客購買更多的商品。
實時引起：是根據用戶的瀏覽行爲提供實時推薦建議，這對推薦系統的計算能力要求是非常的高的，需要有實時計算框架來支持。
上下文引擎：通過顧客的瀏覽軌跡，結合上下文內容，給顧客推薦與上下文相關的商品。
規則引擎，通過人爲的配置一些規則，包括節日，季節，熱點事件等社會化信息，給顧客推薦更應景的商品，例如在情人節來臨之前，推薦鮮花，巧克力，浪漫餐廳等商品。
在上面的描述中，我們瞭解到了顧客畫像的重要性，如圖所示，是顧客畫像的組成，包括人口中統計學的信息，興趣圖譜，消費類型，忠誠度，第三方網站的顧客畫像，通過對這些信息的分析，個性化推薦引擎就能夠做到比用戶自己更瞭解自己.
顧客圖像組成
根據顧客畫像信息，給顧客額“打標籤”，每個顧客都有一系列的“標籤”，個性化推薦引擎根據場景來選擇那些是主標籤，那些是輔助標籤。
以上我們瞭解了個性化推薦引擎的業務實現，接下來我們來學習個性化推薦引擎的技術架構，如圖所示，從下往上看，最底層是規則數據層，是對規則數據的存儲和加工，它通過數據總線，向上輸出規則數據；規則引擎層，包括用戶資料，上下文等規則處理模塊，向上輸出適合場景的規則，將用戶畫像，商品關聯，類目和商品屬性數據輸入到規則引擎中，得到了初步的推薦結果，再經過場景引擎的規則過濾，驅蟲，結果優化，把最終推薦結果展示給顧客，最終根據顧客的點擊情況，再反饋給推薦引擎，用於優化下一次的推薦結果，這也是個機器學習的過程，實現了程序的自我進化，數據和規則積累得越多，個性化推薦引擎的計算結果就接近顧客的真實需要。
個性化推薦引擎技術架構
結語
覆盤與總結.
總結：
做Java生鮮電商平臺的互聯網應用，無論是生鮮小程序還是APP，搭建個性化推薦引擎技術架構設計思路是非常重要的，本文只是起一個拋磚引玉的作用，
希望用生鮮小程序的搭建個性化推薦系統的設計思路實戰經驗告訴大家一些實際的項目經驗，希望對大家有用.
QQ:137071249
共同學習QQ羣：793305035