推薦系統實作指南：結合 Taobao API 與使用者行為的個性化商品推薦

一、推薦系統在電商中的價值

在資訊爆炸與選擇過剩的時代，電商平台若想有效抓住用戶注意力與提高銷售轉換，推薦系統的角色不可或缺。其主要價值體現在：

• ✅ 提高點擊率與轉換率：針對性地推薦，提高商品被點擊與購買的機會。

• ✅ 引導用戶探索潛在興趣商品：幫助用戶發掘他們可能喜歡但尚未接觸的商品。

• ✅ 提升用戶黏著度：透過個人化推薦，強化用戶使用體驗，減少流失。

• ✅ 優化庫存與營運策略：推薦系統能幫助推廣滯銷品或利潤高商品，提升整體營收。

Taobao 本身的推薦算法相當複雜，但透過 API 與基本數據分析技術，我們同樣可以構建一個小型、實用的推薦引擎，滿足自身應用場景需求。

二、數據來源與推薦建模基礎

推薦系統的準確性仰賴資料品質與結構。常見可用數據如下：

• 用戶行為資料：包括商品的點擊紀錄、加入購物車、收藏、下單購買等行為。

• 商品屬性資訊：如分類、品牌、價格、關鍵字、描述、評價分數等。

• 上下文情境資料（進階應用）：如用戶所在位置、使用裝置、時間段等。

透過 Taobao API 或爬蟲技術，我們可以擷取如下資料。以下為模擬 API 呼叫方式：

# 擷取用戶最近30天行為資料（需授權）
url = "https://api.example.com/taobao/user_behavior"
params = {"user_id": "987654321", "date_range": "30d"}
res = requests.get(url, headers=headers, params=params)
behavior_df = pd.DataFrame(res.json()["data"])

這些資料將作為建模與推薦算法運作的依據。

三、方法一：協同過濾（Collaborative Filtering）

原理說明：

協同過濾是一種利用群體智慧的推薦方法，核心思想為：「與你喜好相似的使用者，可能也喜歡你沒接觸過的商品」。

主要分為兩種：

• 基於使用者的協同過濾：找出與你興趣相似的使用者，推薦他們喜歡的商品。

• 基於物品的協同過濾：找出與你曾經互動商品相似的其他商品進行推薦。

步驟 1：構建行為矩陣

我們可使用隱式評分（如是否點擊、是否購買）作為行為指標來建立「使用者－商品」矩陣：

from sklearn.metrics.pairwise import cosine_similarity
# 將使用者行為轉為 0/1 評分矩陣
pivot = behavior_df.pivot_table(index="user_id", columns="product_id", values="action", fill_value=0)
# 計算使用者間的餘弦相似度
similarity = cosine_similarity(pivot)
# 找出與目標使用者最相似的其他使用者
import numpy as np
target_user_idx = 0
top_sim_users = np.argsort(similarity[target_user_idx])[-5:]

步驟 2：推薦商品邏輯

• 從相似使用者中統計他們互動過的商品。

• 排除目前目標使用者已互動（如購買或點擊）過的商品。

• 推薦剩下最常出現的商品。

這種方法適合資料量足夠時使用，但對於新用戶或冷門商品存在推薦困難。

四、方法二：內容為本的推薦（Content-Based Recommendation）

原理說明：

基於內容的推薦算法會分析用戶過去互動商品的特徵，並從商品池中找出屬性相似的商品進行推薦。

這種方法特別適合：

• 新用戶冷啟動（缺乏歷史行為資料）

• 長尾商品推廣（社群中曝光率低但內容有價值的商品）

示例：利用 TF-IDF 分析商品描述相似度

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import linear_kernel
# 商品描述資料處理
descriptions = product_df["description"].fillna("")
vectorizer = TfidfVectorizer(stop_words="english")
tfidf_matrix = vectorizer.fit_transform(descriptions)
# 找出與指定商品最相似的其他商品
cosine_sim = linear_kernel(tfidf_matrix, tfidf_matrix)
sim_scores = list(enumerate(cosine_sim[product_index]))
sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

可搭配商品分類、品牌與價格等特徵進行多維推薦。

五、混合推薦策略（Hybrid Recommendation）

為克服單一推薦方式的侷限，我們可將協同過濾與內容推薦結合，達成互補效果。

常見混合方式：

• 加權融合法：將不同模型輸出的推薦分數加權合併。

• 候選集+排序法：先使用協同過濾產生候選商品，再用內容推薦排序。

• 切換策略：針對不同使用者情況選擇不同推薦方式（如新用戶優先內容推薦）。

範例實作：

final_score = 0.6 * cf_score + 0.4 * content_score

可根據模型表現或業務策略調整權重。

六、推薦結果的部署與應用

當推薦模型運作完成後，可將推薦結果儲存至資料庫或快取系統，透過 REST API 對外提供推薦服務。

範例如下：

import json
recommendations = get_top_k_products(user_id="987654321")
print(json.dumps(recommendations, indent=2, ensure_ascii=False))

回傳結果範例：

[
{"product_id": "12345", "title": "新款運動鞋", "reason": "相似用戶也購買"},
{"product_id": "67890", "title": "夏季T恤", "reason": "你近期看過類似商品"}
]

推薦內容可在首頁、商品詳情頁、購物車頁等處呈現，強化使用者體驗。

七、進階策略：即時推薦與 A/B 測試

為了讓推薦系統更動態、更貼近用戶即時行為，可考慮以下進階方法：

• ✅ 即時推薦（Real-time Recommendation）：透過 Kafka + Spark Streaming 等技術，實時更新用戶行為資料。

• ✅ 學習排序模型（Learning to Rank）：使用 XGBoost、LightGBM 等對候選商品進行精緻排序。

• ✅ A/B 測試推薦策略：隨機將用戶分組測試不同推薦邏輯，找出最優組合。

這些技術能有效提升推薦系統的靈活性與精準度，並提供持續優化的依據。

結語：打造屬於你的推薦引擎

推薦系統不只是科技，更是一門關於理解人與行為的藝術。即使沒有龐大的團隊與資源，也能透過 API、開源工具與清晰邏輯，打造一套靈活、實用的推薦引擎，助你：

• 提升用戶體驗與轉化率

• 增強平台競爭力

• 探索更多商業可能

從基本行為資料出發，一步步走向智慧個人化，讓推薦真正成為你的業務利器。

Articles related to APIs :

• Sales and Inventory Forecasting Practice: Time Series Modeling with Taobao API

• Building an Interactive Reporting and Visualization Platform: A Practical Guide to Unlocking the Value of Taobao Data

• Building an Efficient Product Search Interface: Designing and Implementing a Smart Query System with Elasticsearch

• Product and Price Monitoring System: Building an Automated Alert and Notification Workflow

• Real-Time Inventory Synchronization: A Full Implementation of Taobao Inventory API

• Utilizing Marketing APIs: Automating Coupon and Campaign Management

如您需要 Taobao API 可聯係我們：support@luckdata.com