# Personalized Recommendation > 个性化推荐引擎 - 基于购买历史、协同过滤和"经常一起购买"的产品推荐系统 - Skill: `huifer/personalized-recommendation` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add huifer/personalized-recommendation` - Raw SKILL.md: https://api.skillmd.com/api/skills/huifer/personalized-recommendation/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: huifer (https://skillmd.com/u/huifer) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/huifer/personalized-recommendation --- # Personalized Recommendation 🎁 > 智能推荐系统，提升交叉销售和向上销售 基于机器学习的个性化推荐引擎，通过购买历史分析、协同过滤和关联规则挖掘，为每个客户提供精准的产品推荐。 --- ## 🎯 核心功能 ### 1. 购买历史推荐 ``` 推荐逻辑: ├─ 个人购买历史 ├─ 购买频率分析 ├─ 品类偏好识别 ├─ 购买周期预测 └─ 复购提醒 推荐类型: ├─ 复购推荐（用完再买） ├─ 升级推荐（更好版本） ├─ 补充推荐（配套产品） └─ 新品推荐（同类别） ``` ### 2. 协同过滤 ``` 基于用户: ├─ 相似用户识别 ├─ 用户行为聚类 ├─ 群体偏好挖掘 └─ 跨用户推荐 基于物品: ├─ 物品相似度计算 ├─ 共现模式分析 ├─ 关联规则挖掘 └─ 物品推荐 ``` ### 3. 关联推荐 ``` 经常一起购买: ├─ 购物篮分析 ├─ Apriori 算法 ├─ FP-Growth 算法 └─ 关联规则 推荐场景: ├─ 产品页推荐 ├─ 购物车推荐 ├─ 结账页推荐 └─ 邮件推荐 ``` ### 4. 实时推荐 ``` 实时场景: ├─ 浏览行为推荐 ├─ 搜索意图推荐 ├─ 加购推荐 ├─ 实时个性化 └─ 上下文感知 ``` --- ## 📋 推荐算法 ### 算法 1: 协同过滤 ```python from sklearn.metrics.pairwise import cosine_similarity import pandas as pd # 用户-物品矩阵 user_item_matrix = df.pivot_table( index='user_id', columns='item_id', values='rating', fill_value=0 ) # 计算用户相似度 user_similarity = cosine_similarity(user_item_matrix) user_sim_df = pd.DataFrame( user_similarity, index=user_item_matrix.index, columns=user_item_matrix.index ) # 为用户推荐 def recommend_for_user(user_id, n_recommendations=10): # 找到相似用户 similar_users = user_sim_df[user_id].sort_values(ascending=False)[1:11] # 获取相似用户购买但目标用户未购买的物品 recommendations = [] for similar_user, similarity in similar_users.items(): similar_user_items = user_item_matrix.loc[similar_user] user_items = user_item_matrix.loc[user_id] # 未购买但相似用户购买且评分高的物品 new_items = similar_user_items[(similar_user_items > 0) & (user_items == 0)] for item, rating in new_items.items(): recommendations.append({ 'item_id': item, 'score': rating * similarity }) # 排序并返回前N个 recommendations = sorted(recommendations, key=lambda x: x['score'], reverse=True) return recommendations[:n_recommendations] ``` ### 算法 2: 基于物品的协同过滤 ```python # 物品-物品相似度 item_similarity = cosine_similarity(user_item_matrix.T) item_sim_df = pd.DataFrame( item_similarity, index=user_item_matrix.columns, columns=user_item_matrix.columns ) # 基于用户历史推荐相似物品 def recommend_similar_items(user_id, n_recommendations=10): # 获取用户购买的物品 user_items = user_item_matrix.loc[user_id] purchased_items = user_items[user_items > 0].index # 计算推荐分数 recommendations = {} for item in purchased_items: # 获取相似物品 similar_items = item_sim_df[item].sort_values(ascending=False)[1:11] for similar_item, similarity in similar_items.items(): if similar_item not in purchased_items: if similar_item not in recommendations: recommendations[similar_item] = 0 recommendations[similar_item] += similarity * user_items[item] # 排序并返回 recommendations = sorted(recommendations.items(), key=lambda x: x[1], reverse=True) return recommendations[:n_recommendations] ``` ### 算法 3: 关联规则（Apriori） ```python from mlxtend.frequent_patterns import apriori from mlxtend.frequent_patterns import association_rules # 准备交易数据 basket = (df.groupby(['order_id', 'product_id'])['quantity'] .sum().unstack().reset_index().fillna(0) .set_index('order_id')) # 转换为布尔值 basket_sets = basket.applymap(lambda x: 1 if x > 0 else 0) # 挖掘频繁项集 frequent_itemsets = apriori(basket_sets, min_support=0.01, use_colnames=True) # 生成关联规则 rules = association_rules( frequent_itemsets, metric="lift", min_threshold=1 ) # 过滤高质量规则 quality_rules = rules[ (rules['lift'] >= 2) & (rules['confidence'] >= 0.3) ].sort_values('lift', ascending=False) # 获取推荐 def get_recommendations_from_basket(basket_items, n_recommendations=5): recommendations = {} for item in basket_items: # 找到以该物品为前件的规则 item_rules = quality_rules[quality_rules['antecedents'] == {item}] for _, rule in item_rules.iterrows(): for consequent in rule['consequents']: if consequent not in basket_items: if consequent not in recommendations: recommendations[consequent] = 0 recommendations[consequent] += rule['lift'] # 排序并返回 recommendations = sorted(recommendations.items(), key=lambda x: x[1], reverse=True) return recommendations[:n_recommendations] ``` ### 算法 4: 矩阵分解（SVD） ```python from surprise import SVD, Dataset, Reader from surprise.model_selection import train_test_split # 准备数据 reader = Reader(rating_scale=(1, 5)) data = Dataset.load_from_df(df[['user_id', 'item_id', 'rating']], reader) # 训练模型 trainset, testset = train_test_split(data, test_size=0.2) algo = SVD(n_factors=100, n_epochs=20, biased=True) algo.fit(trainset) # 预测 def predict_rating(user_id, item_id): prediction = algo.predict(user_id, item_id) return prediction.est # 为用户推荐 def recommend_for_user_svd(user_id, n_recommendations=10): # 获取所有物品 all_items = df['item_id'].unique() # 获取用户已购买物品 user_items = df[df['user_id'] == user_id]['item_id'].unique() # 预测未购买物品的评分 recommendations = [] for item in all_items: if item not in user_items: predicted_rating = predict_rating(user_id, item) recommendations.append({ 'item_id': item, 'score': predicted_rating }) # 排序并返回 recommendations = sorted(recommendations, key=lambda x: x['score'], reverse=True) return recommendations[:n_recommendations] ``` --- ## 🎯 推荐场景 ### 场景 1: 产品页推荐 ```yaml 推荐位置: - 产品详情页侧边栏 - "看过此商品的人还看过" - "相关产品推荐" - "经常一起购买" 推荐策略: 基于物品协同过滤: - 相似产品 - 同类产品 - 配套产品 关联规则: - 购买此商品的人还买了 - 最佳组合 - 套装优惠 展示方式: - 4-8个产品 - 产品图片 - 产品名称 - 价格 - 评分 示例: 主产品: iPhone 15 Pro 推荐: 1. iPhone 15 Pro 手机壳 2. MagSafe 充电器 3. AirPods Pro 4. Apple Watch 5. Lightning 数据线 ``` ### 场景 2: 购物车推荐 ```yaml 推荐位置: - 购物车页面 - 结账前 - "您可能还需要" 推荐策略: 实时协同过滤: - 基于购物车内物品 - 购买此组合的人还买了 - 缺少配件提醒 关联规则: - 最佳组合 - 套装优惠 - 满减搭配 展示方式: - 轻量推荐（2-4个） - 简洁信息 - 快速加购 - 组合优惠 示例: 购物车: [iPhone 15 Pro, AirPods Pro] 推荐: 1. MagSafe 充电器（加购享9折） 2. iPhone 15 Pro 手机壳（组合省¥50） 文案: "完成您的装备组合，立即省¥100" ``` ### 场景 3: 邮件推荐 ```yaml 推荐类型: 个性化推荐邮件: - 每周为您精选 - 基于浏览历史 - 基于购买历史 复购提醒邮件: - 您的XX可能用完了 - 基于购买周期 - 复购优惠 新品推荐邮件: - 您喜欢的类别有新品 - 基于偏好类别 - 新品首发 推荐策略: 用户协同过滤: - 与您相似的人喜欢 - 热门推荐 - 趋势产品 个性化排序: - 预测评分 - 购买概率 - 利润考虑 邮件结构: 主题: "{{name}}，这5个产品我们精选给您" 内容: - 个性化问候 - 5-8个推荐产品 - 推荐理由 - 专属优惠 - 清晰CTA ``` ### 场景 4: 首页推荐 ```yaml 推荐区块: - "为您推荐" - "猜您喜欢" - "新品首发" - "热门推荐" 推荐策略: 混合推荐: - 60% 个性化推荐 - 20% 热门产品 - 10% 新品 - 10% 促销产品 个性化: - 基于历史行为 - 基于实时浏览 - 基于相似用户 多样性: - 不同类别 - 不同价位 - 不同品牌 展示方式: - 轮播展示 - 网格布局 - 懒加载 - 无限滚动 ``` --- ## 💻 嵌入代码生成 ### Shopify 产品页推荐 ```liquid

您可能还喜欢

{% for product in recommendations %}
{{ product.title }}

{{ product.title }}

{% if product.compare_at_price > product.price %} {{ product.compare_at_price | money }} {% endif %} {{ product.price | money }}
★★★★☆ ({{ product.reviews_count }})
{% endfor %}
``` ### WooCommerce 推荐插件 ```php $user_id, 'limit' => -1 )); // 分析购买历史 $purchased_products = array(); foreach ($orders as $order) { foreach ($order->get_items() as $item) { $purchased_products[] = $item->get_product_id(); } } // 协同过滤（简化） $recommendations = array(); $args = array( 'post_type' => 'product', 'posts_per_page' => $limit * 2, 'post__not_in' => $purchased_products, 'tax_query' => array( array( 'taxonomy' => 'product_cat', 'field' => 'slug', 'terms' => get_user_favorite_categories($user_id), ), ), ); $query = new WP_Query($args); return $query->posts; } // 短代码：推荐产品 add_shortcode('personalized_recommendations', function($atts) { global $product; $atts = shortcode_atts(array( 'limit' => 8, ), $atts); $recommendations = get_personalized_recommendations( $product->get_id(), $atts['limit'] ); ob_start(); ?>

您可能还喜欢

Hi {{ customer_name }}，为您精选

基于您最近购买的 {{ last_purchase }}，我们为您挑选了这些产品：

{% for product in recommendations %}
{{ product.name }}

{{ product.name }}

{{ product.price }}

查看详情
{% endfor %}

查看更多推荐 →

``` --- ## 🚀 快速命令 ### 获取用户推荐 ```bash /personalized-recommendation --user-based --customer-id "12345" ``` ### 获取产品推荐 ```bash /personalized-recommendation --item-based --product-id "67890" ``` ### 分析购买关联 ```bash /personalized-recommendation --association --data "orders.csv" ``` ### 生成推荐代码 ```bash /personalized-recommendation --code --platform "shopify" ``` --- ## 💡 最佳实践 ### 1. 推荐多样性 - 不要只推荐同类型产品 - 混合不同推荐算法 - 考虑探索与利用 - 定期更新推荐池 ### 2. 性能优化 - 缓存推荐结果 - 异步加载 - 预计算推荐 - 使用CDN ### 3. 用户体验 - 提供推荐理由 - 允许用户反馈 - 优雅降级 - 移动端优化 ### 4. 持续优化 - A/B 测试推荐 - 监控推荐效果 - 收集用户反馈 - 更新推荐模型 --- ## 📊 成功指标 ### 推荐效果 - 点击率 >5% - 加购率 >2% - 转化率 >1% - 推荐收入占比 >15% ### 用户参与 - 推荐浏览率 >30% - 推荐互动率 >5% - 推荐满意度 >4.0/5.0 ### 商业影响 - 客单价提升 >10% - 交叉销售率 >20% - 向上销售率 >15% --- ## 🔗 相关 Skills - `/advanced-customer-segmentation` - 客户细分分析 - `/email-sequence` - 推荐邮件序列 - `/prime-product-desc` - 产品描述优化 - `/basic-analytics` - 推荐效果分析 --- **让每个推荐都精准命中客户需求！** 🎯 **版本**: 1.0.0 **更新**: 2026-04-12 **作者**: Shopilot Team