假设如下：
类别“电子产品”包含产品“蓝光”等产品。
当用户在“电子”下浏览时，我可以实施哪些基本统计数据来推荐更多“蓝光”？现在我只有一个蹩脚的“在该用户的电子产品类别下购买了 5 次中的 3 次蓝光”，所以可能性是 60% - 推荐更多蓝光。
编辑： 如果我从卖家的角度来想自动填充输入框怎么办？示例：如果卖家平时销售二手蓝光，我想下次他在“电子”下销售时自动填写“条件”字段以增强用户体验？
【问题讨论】：
标签： php statistics behavior
这是一个非常深刻的话题。我会开始搜索基于协作项目的过滤或基于协作用户的过滤。
这些是一些关于这个主题的好书：
编程集体智慧 http://my.safaribooksonline.com/book/web-development/9780596529321
集体智慧在行动 http://my.safaribooksonline.com/book/programming/java/9781933988313
【讨论】：
您的问题是关于推荐系统的。您很乐意找到可以帮助您提出好的建议的相似之处。这些相似性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过商品的人的过去行为，并寻找他们之间的相似之处。这可以使用产品向量之间的简单相关性来完成。如果您还拥有通常会在您的网站上购买商品的人（年龄、性别）的数据，则可以使用此类信息来改进您的推荐系统。此外，一条有价值的信息是由评分系统（喜欢和不喜欢）提供的信息。除了相关性（如果您想考虑其他简单的度量，但不一定是统计度量），您还可以使用欧几里德距离、Minkowski 距离、向量角度的余弦等...
如果你的向量的维度很高，你可以考虑减少它的维度，只包括重要的组件。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您的系统，您应该考虑使用分类器，例如 Nearest Neighbors、Decision Trees 或 support vector machines，并使用它们来发现您的买家类别。例如，这可以帮助您了解特定买家是否更喜欢便宜或昂贵的品牌......
最后，您可以使用multi-armed bandit进行在线实验。
有些书可以帮助你：
【讨论】：
可能涉及其他类似用户。例如，75% 的购买蓝光的用户还购买了 DVD 机架，因此当有人购买蓝光时，向他们建议 DVD 机架的想法。
【讨论】：