淘宝开始“变脸”：新算法VS老套路......

“数字只是目的，但了解数字背后的人心才是最佳的手段。”

$ C& j+ f$ S. ]7 M. w( c0 N

从2003年到现在，淘宝走过了17个年头。横亘在历史长河中的不只是这个电商巨头留下的江湖传说，更多的是“电商”二字成了很多人的金牌饭碗，风险与机遇并存。

可惜，不入虎穴，焉得虎子？

越来越多的电商人开始研究，怎么才能在电商江湖中立于不败之地？今天，易师兄来和大家讲讲淘宝的最新算法。

6 O8 c! V8 ^( n  j+ ~+ T" h* w  e

1.0 “变脸”的阿里

  E; ]0 z5 i2 F; H4 S' z

一成不变不是互联网的风格。

9 z9 I7 _- }* b$ I4 W9 R' ~1 w

据悉，双十一前夕，手机淘宝即将迎来重大改版。手淘首页将全面信息流化，原本顶部显眼的焦点图展示广告将改成竖版，移动到页面下方算法推荐信息流的第一个位置。

此后，改版后的“猜你喜欢”模块将成为淘宝首页的新宠儿，聚划算、百亿补贴、淘宝直播、有好货等版块的结合体，不再位于淘宝页面的中部，将共同融入到信息流当中。

为了迎接2020的“双十一”，淘宝也是费了一番功夫。此计划已经在灰度测试当中，但最终方案会看测试效果而定。

7 G. q' x9 G" N8 r  ?6 @
1 n- w( }1 }8 H# B& j" t! i

首页改版，算法推荐，这些词语用在电商平台上也是十分贴合。这次重大改版，如见成效，将会在9月底完成全部改版。

这是一次创新，在电商领域中，平台首页版块的重新规划直接影响到一些电商商家的运营计划。毕竟，除了搜索这个最大的流量入口池，首页就是最好的位置。

8 o$ [' O) M* W4 d( u7 ]: ^; m. f* w* L

据易师兄看来，如今改变算法推荐的动作，灵感可能来源于短视频领域，而原因可能是由于用户对于首页焦点banner图模式的审美疲劳。

除了淘宝，拼多多也开始了变革。早在 2020 年 6 月，拼多多就向商家表示，由于平台推广资源位进行优化迭代，其首页焦点图的展示广告资源已于 2020 年 6 月 5 日 0 点起暂时下线。

' Z+ }! Q, L5 l9 d

除此之外，“满天星计划”成为阿里对标抖音和快手电商的新方法。这个短视频项目将在首页 “猜你喜欢” 中，通过新内容冷启动激励来为商家产出的短视频内容提供更多流量，并将数据反馈给商家，帮助商家产出更适合自己消费群体的内容。

/ _6 v0 u; j2 b$ L

2.0 是算法还是套路

早在2018年，阿里就发现了手淘“个性化”推荐的重要性，彼时，天猫双十一的个性化推荐流量已经超过了搜索入口的流量，因此，后来手淘改版后“猜你喜欢”版块从第七屏一跃到了第二屏。这为淘宝现在打造全面信息流埋下了伏笔。

以前的淘宝是“人找货”的商业逻辑，通过产品为核心，而现在，已经变成了“货找人”的方式。讲究以人为核心，背后是巨大的利益重新分配和体系重新建立。

" o2 J6 k% ]. U

那么，淘宝的算法究竟是什么？接着往下看：

1 i" v" p7 K, s( n' J5 P

1.根据商品分类和自身属性进行推荐：

（1）加权求和法：

核心逻辑：利用丰富的数据库源源不断地向用户推荐商品，推荐点在于商品之间的关联性、相似性、维度匹配性等等。不涉及用户数据。

举例：一件用户搜索的衣服，但是点开后由于材质、价格、或者客服态度没有达到用户理想的效果，系统会自动匹配另外一款衣服，以供用户选择。

商品维度：【材质】【样式】【颜色】【价格】等等维度，如果相同，不加权，如果不同，根据赋值加分。

根据加权累加的公式，可以得到如下表格：

7 q2 W" e, F2 T. L. v

因此，A商品是系统推荐首选，其后，将会推荐这个相似度分数比较高的商品了，当然A商品不会重复推荐。长期推荐点击量不高的产品，后面可以进行动态优化。

5 s1 B) Y# m5 s+ h, g/ q2 z0 [

（2）商品的被动销售级属性进行推荐：

+ ]  I, b& l3 `+ W" s8 r* B) k* y/ S

核心逻辑：根据最终在用户订单中出现的概率来判断商品间的相关性。（同时被浏览的几率，同时被加入购物车的几率，同时被购买的几率）即支持度、置信度、提升度。

计算A→B支持度，购买A还购买B这个组合的订单占所有订单的百分比。

计算A→B置信度，购买A还购买B这个组合的订单占所有购买A的订单的百分比。

计算A→B提升度，购买A还购买B的概率同不购买A只购买B商品的概率之商。

根据相关度算法，首先先从所有订单中找出包含A商品的订单个数N1，然后再查询A的所有订单中出现B的个数N2，则置信度X=N2/N1。

2.根据用户定义标签

- R) `! w; j: {7 w

核心逻辑：根据用户基础信息和行为数据推荐商品。（人以群分，将有相似的属性，相似行为的用户分为一类人，然后这一类中的人某一个人喜欢A产品，那么其他人也有极大的可能喜欢A产品）

（1）基础标签：可能就是年龄标签、性别、收入范围、兴趣爱好、星座、生活区域等，通过类似的标签推荐兴趣相似的人群。

（2）行为标签：通过搜索、浏览、收藏、加购、购买、分享等行为，判定用户对部分商品的喜爱度。

0 z+ n; d: }2 b, n8 z2 p9 g

所有类目商品的喜好度向量和用户B的向量而言，他们在多维空间的夹角可以用向量余弦公式计算：

$ t) j9 ~1 W! L

余弦值的值域在【-1,1】之间，0表示完全垂直90°，-1表示夹角180°，1表示夹角为0°，系数越靠近1，向量夹角越小，两件商品的相关性越高。

（3）多纬度的扩展型标签模型：搜索主要商品（例如手机）为A标签，商品附加属性（例如品牌、价格）为B标签，淘宝将A标签和B标签做相同标签配对，中间同时会在配对时再引入动态的标签权重表C，C是动态的，会根据淘宝的营销策略生成的场景条件D来进行动态变化。

8 y& C3 Q! d' e4 v. F

目前影响算法推荐的因素：简而言之一句话，用户的喜好会成为你的商品是否展示的主要考核标准。

# y% n  a* s  c9 R5 H

用户对商品的主动搜索一直会存在，因为品牌具有确定性和主张，但在电商平台中，它带来的流量占比会越来越小。

时代在不断发展，电商平台的推荐机制也在不断优化。“长江后浪推前浪，”想要在电商这条路上一直走下去，了解最新的规则，是重中之重。

5 X! ~( j- J7 v& j2 x) l