推荐系统一般根据实时性分为三类：实时推荐，在线推荐，离线推荐

推荐系统一般根据实时性分为三类：实时推荐，在线推荐，离线推荐。

实时推荐一般会采用实时计算引擎进行实时计算并及时推送到用户手机端。

在线推荐是指直接使用日志系统中数据进行伪实时的推荐，一般场景用在在商场中时间大于1小时，在这个时间内进行推荐。

离线推荐根据用户的历史数据，对一定距离内的用户进行信息推荐。

基于LBS推荐一般可以分为三类，近距离，中距离，远距离。当然一般中远距离的用户都是有历史线索或者留资在商场数据库中。

三、用户旅程

消费者在逛商城过程中，通过推荐能够让消费者选择商家，进而产生消费行为，并通过消费者的信息反馈准备下次推荐。

四、基于LBS数据指标搭建

数据指标完善能够更好的将合适的商店推荐给用户，同时增加商户整体GMV，所以一般推荐系统都是在用户画像系统的基础上进行推荐。

需要重点强调的是，基于LBS的推荐最重要的就是用户的经纬度信息和商铺经纬度信息之间的差值，

距离计算方法可自行百度。所以最重要的指标就是距离指标，合理的距离指标会使推荐系统的效率大大提高。

五、推荐方法

1. 冷启动

任何推荐都存在冷启动问题。因为推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，如果是消费者首次进入商圈，没有任何该用户的任何信息情况下，进行冷启动处理：

基于当前时间，将评分高的商店推荐给用户。当前时间在冷启动阶段最能反应消费者情况，早晨一般商品尚未营业，那么用户很有可能是要买早餐或者闲逛，中午或者下午6点左右用户很可能也是要找饭店吃饭。

如果非以上情况，用户很有可能就是为了买衣服或者参加培训等情况。基于以上情况对用户进行基于热度的推荐。

2. 有历史数据的推荐

即使有历史数据，时间维度也是重要考虑的对象。这里使用三种推荐算法，最后进行多路召回，求出最优推荐列表：

基于物品（店铺）的协同过滤：

图片来源csdn网站

其中wij最后得出是一个相似度矩阵，是根据某一消费者的历史记录得出与该消费者相关的商铺信息，需要注意的是有两个前提条件，当前时间和店铺分类，即，每类型商铺会都会得到一个相似度矩阵。然后根据消费者历史数据和当前时间计算出消费者当前感兴趣的一个推荐列表。