在過去我們介紹的推薦方法中，特別是電商領域的推薦，其考慮的只是用戶的**宏觀交互行為(macro interaction)，如用戶購買了xx物品，點擊了xx物品。今天看到一篇不錯的文章，將用戶的微觀行為如瀏覽商品的時間、對商品詳情和評論的閱讀等、渠道等等微觀行為(micro behaviors)考慮進來，并取得了不錯的實驗效果。咱們來一探究竟。

論文名稱：《Micro Behaviors: A New Perspective in E-commerce Recommender Systems》
論文地址：http://184pc128.csie.ntnu.edu.tw/presentation/18-03-13/Micro%20Behaviors%20A%20New%20Perspective%20in%20Ecommerce%20Recommender%20Systems.pdf

1、問題定義

我們首先來看一下，什么是宏觀交互行為和微觀行為：

上面的圖中，宏觀交互行為就是我們的一個點擊序列，如iphone7->iphone 6->iphone 7 case -> samsungGalaxy。但是微觀行為多種多樣，比如我們搜索了iphone，看到了iphone7，點擊進入商品詳情頁后又看了商品的描述和用戶的評價，并將其加入購物車等等。同時，每種行為都有一定的停留時間。

因此，我們有如下的符號定義：

P={p₁,p₂,..,p_N}代表N個不同的商品。
A={a₁,a₂,...,a_M}代表M種不同的行為。
D={d₁,d₂,...,d_K}表示將停留時間分為K檔。

因此，用戶的每一次行為可以表示為(p_i,a_j,d_k)，即用戶在在商品p_i上有過a_j行為，并花費了d_k檔的時間。

我們的推薦問題就變?yōu)榱?，基于用戶的行為序?p_i,a_j,d_k)，來預測用戶下一個可能感興趣的物品。

2、數(shù)據分析

論文收集的信息包含以下四個方面：

Click Source：用戶進入商品頁的渠道，如主頁、搜索頁、購物車頁、促銷頁等等。不同的渠道表明了用戶不同的偏好，如用戶從主頁進入到商品頁，用戶也許只是想隨便看看，但如果用戶從搜索頁進入到商品頁，那么在一定程度上說明用戶是有明確需求的。

渠道包含下面的五種，從上倒下分別是主頁、類別頁、促銷頁、購物車、搜索結果列表：

Browsing Modules：這里是說在商品頁，用戶瀏覽的主要模塊，比如商品詳情介紹、商品評論、規(guī)格。

模塊這里分了三種，如下圖，分別為商品評論、商品規(guī)格屬性、一直瀏覽到最底部(即所有的都瀏覽了)：

Cart and Order:加購和下單行為。這里特別提到的一點是，產品屬性不同，代表的復購可能性不同，如用戶剛買了一些小吃，那么他極有可能在短時間內再買一次，但是如果剛買了一個電視機，那么他基本不會在短時間內再買一次。

停留時間：停留時間這里劃分了5檔，如下圖：

好了，在介紹了基礎的數(shù)據之后，作者進行了一定的基礎分析，并用excel圖表進行了展示。

這里的轉化率計算如下：

可以看到，從Click Source來看，通過促銷頁和購物車頁進入商品頁，隨后完成下單轉化的比例最高。從Browsing Modules來看，如果用戶閱讀了評論、規(guī)格活著滑倒了底部的話，其轉化率也會高于只瀏覽商品詳情（這里可以簡單通過對比Click Source和Browsing Modules的轉化率，Click Source的平均轉化率相當于所有Browsing Modules + 只瀏覽商品詳情的平均轉化率），而從購物車頁面直接下單，轉化率最高。

再來看停留時間的分析：