如何使用基本统计信息预测用户行为？

Question

假设如下：

类别“电子产品”包含产品“Bluerays”等产品。

当用户在电子设备下浏览时，我可以实施哪些基本统计数据来推荐更多“蓝光”？现在我只是有一个蹩脚的“Bluerays在这个用户的电子类别下被买了5次中的3次”所以可能性是60％ - 推荐更多Bluerays。

修改： 如果我从卖家的角度来看我想自动填充输入框怎么办？示例：如果卖家通常销售使用的Bluerays，我希望下次他在“电子产品”下销售时自动填写“条件”字段以增强用户体验？

Answer 1

这是一个非常深刻的话题。我开始搜索基于协作项目的过滤或基于协作用户的过滤。

这些是关于这个主题的一些好书：

编程集体智慧 http://my.safaribooksonline.com/book/web-development/9780596529321

集体智慧行动 http://my.safaribooksonline.com/book/programming/java/9781933988313

Answer 2

您的问题是关于推荐系统。你很有兴趣找到可以帮助你提出好建议的相似之处。这些相似之处可以用几种不同的方式来衡量。最常见的是考虑在您的网站上购买的人的过去行为，并寻求他们之间的相似之处。这可以使用产品向量之间的简单关联来完成。如果您还有通常在您的网站上购买的人（年龄，性别）的数据，您可以使用此类信息来改进您的推荐系统。此外，有价值的信息是费率系统（喜欢和不喜欢）提供的信息。除了相关性（如果你想考虑其他简单的测量，但不一定是统计测量），你也可以使用欧几里德距离，闵可夫斯基距离，矢量角度的余弦等等......

如果矢量的维度很高，您可以考虑减少它的维数，仅包括重要的组件。这可以使用PCA（主成分分析）或Singular Value Decomposition来完成。

但是，如果您考虑真正改进系统，则应考虑使用Nearest Neighbors，Decision Trees或support vector machines等分类器，并使用它们来发现您的买家类别。例如，这可以帮助您了解给定的买家是否会遭受廉价或广泛的品牌......

最后，您可以使用multi-armed bandit进行在线实验。

有些书可以帮到你：

1）Recommender Systems

2）Bandit algorithm

3）Machine Learning

Answer 3

也许涉及其他类似用户。例如，75％购买蓝光的用户也购买DVD机架，所以当有人购买蓝光时，向他们建议DVD机架的想法。