商品详情页推荐是在商品的二级界面实现商品的个性化推荐，帮助用户实现在商品购买时的“货比三家”，或者根据商品的属性、价格、用户需求的搭配推荐，通过“一揽子”的方式找到用户的潜在购物需求，实现客单价的提升，从而提升平台的盈利能力。商品详情页推荐的推荐位一般会分布在三个地方，分别会使用不同的方式实现：

1. 相关推荐

自营电商平台与入驻式平台相关推荐的主要区别是，自营电商平台单个商品的相关推荐的范围是全平台，而入驻式平台是以店铺为单位。即入驻式平台根据纯文本语义相似性做的推荐只是店铺里面上线的商品。举个例子：全平台内有1万款与单个商品相关的商品，而这个商品所属的店铺里可能只有3款，而推荐位有6个，那么在入驻平台内的这家店铺的这款商品的前三个相关推荐商品可能与当前商品高度相似，而剩余的三个推荐商品可能并没有那么相似。相关推荐的核心是纯文本语义的相似，一般是通过离线计算的形式遍历模型里所有商品，计算出每两两商品之间的语义距离，再根据距离远近进行排序，便计算出了每个商品与N个商品之间的相似度大小。

计算的信息包含了常见的标题、属性、参数、详情页描述、厂家信息、分类信息等。所以相似推荐的商品并不是一成不变的，相似商品的推荐会根据整体平台内商品不断地上架、下架，模型不断地计算生成并过滤已下架商品、实时计算出语义最相关的商品。

2.搭配推荐

之前讲过很多推荐的场景并非是算法推荐效果最好。搭配推荐是个很好的例子。一般来说，商家为了提高销售额会给用户提供多套组合商品搭配，就好像在线下购物场景中，当你买了一条牛仔裤时，导购还会给你推荐皮夹克一样。但效果好的搭配推荐并不是使用了以“啤酒和尿布”闻名的RFM模型，而是纯人工推荐。通过纯人工的方式将各类符合某些活动区间和用户心理的商品搭配起来进行推荐。毕竟最了解人的还是人，不是算法。

3.看了又看

一般出现在商品详情页时又叫作“看过这个商品的用户还看过哪个商品”。此场景的算法主要是基于物品的协同过滤算法即：推荐相似的商品给用户，只不过这个相似不是内容、文本语义上的相似，而是基于用户行为反馈角度衡量的。举个例子：同样看过Chanel口红的用户，还有5000名用户同时看过LA MER的补水面膜，那么此面膜就会推荐给当前用户。

在艾克斯推荐系统场景中，基于算法推荐的相似推荐和看了又看可以组合在一个推荐位置中，即可以调整语义相似推荐和看了又看分别提供的商品的数量。当平台内商品没那么多，纯语义推荐的商品相关度并不高时，可以采用混合推荐的方式，既给用户多个商品选择，同时挖掘用户的潜在需求，提高用户的决策效率，获得更大的商业价值。