去商城購物，導購可以感知客戶的訴求推薦商品來達成交易，那么商城網站要如何揣摩用戶的心思來達成商品交易呢?在網上商城系統里只能通過數據分析與用戶瀏覽規劃來推薦商品達成效果，所有不著調的推薦都是耍流氓，不著調的推薦不如不推薦。

　　推薦算法主要有基于內容的推薦算法、協同過濾算法和基于人口的統計學推薦。先來移動云商城小編為大科普下這幾種推薦算法，分析用戶需求，做精準推薦

　　1、內容的推薦算法(CB)：為每個item提取特征建模

　　CB基于商品相關性構建商品模型推薦。商品相關性包括商品類目、屬性、參數、關鍵詞、組合商品等。

　　舉個簡單栗子，你去買手機，導購員看見你進來就知道你買手機，這是商品類目;你說，看看粉色的蘋果，內存要大點，導購拿來128G的紅色iPhone7，粉色是屬性，內存是參數，導購拿來的不是水果，因為蘋果是iPhone的關鍵詞。等你決定買粉色128G iPhone7時，導購和你說，今天買手機再加10元可以買一個手機殼，這個是商品組合推薦。電商系統也是如此，一步步猜中用戶心思，用戶才會信賴網站。目前電商中純粹使用CB算法的不多了，對于初建網站，沒有用戶數據的前提下，主要依賴于CB算法推薦商品。

　　2、協同過濾算法(CF)

　　(1)基于用戶的CF

　　基于用戶對物品的偏好找到相鄰鄰居用戶，將鄰居用戶喜歡的推薦給當前用戶。大學時期和你經常一起看電影的閨蜜和你說，最近上映的《摔跤吧，爸爸》很好看，會讓你更想去看這部電影，因為你知道，她喜歡看的，一般你也喜歡看。“喜歡XX的人也喜歡”就是典型的User CF。

　　(2)基于物品的 CF

　　基于用戶對物品的偏好找到相似的物品，然后根據用戶的歷史偏好，推薦相似的物品給他。經常遇到的就是你買褲子時，導購和你說，這款是我們銷量最好的， 剛還買走一個呢。除了物物關聯外增加了用戶偏好，根據大眾偏好預測你還沒有表示偏好的物品，比如大家都在買。

　　3、基于人口的統計學推薦

　　根據用戶的屬性建模，通過用戶特征計算用戶間的相似度。常見的有用戶注冊時添加感興趣標簽、榜單、熱點等。

　　推薦算法無外乎是商品相關性、用戶行為、大眾行為。最后，推薦不是越多越好，推薦是越準確越好，多而不準確的推薦，在用戶看來是一次次地眼睛被強奸。