现在做电子商务平台使用什么开发语言好呢？Php、Ja、C#？

C#开发速度快，灵活性高

电商平台用什么算法好点 电商平台的

电商平台用什么算法好点 电商平台的

电商平台用什么算法好点 电商平台的

Ja开发速度慢，安全性高，拓展性好

PHP有很多开源框架可用，成本低

具体用什么要看各种方面，你的资金状况，你对项目的需求等等

各有各好处吧··看你自己··ja比较普遍···php运算能力比起ja稍微欠缺···可以用ja写后台··php做展现····c#不熟·不发表言论·- -

ja 安全性高。

大数据时代，阿里蒋凡是怎么用算法取胜的？

蒋凡真的是一个奇才。他在18岁的时候，就获得了全国青少年信息学奥林匹克竞赛的银牌，并因此保送进入了复旦大学计算机系。大学毕业后，蒋凡到谷歌上班，从实习生干起，先后参与了Google地图、搜索质量、内容广告的研发。后来进去阿里上班，正好碰上了想要转型进入赛道的淘宝，这样将凡有了充分发挥的空间，用了一年多的时间，带着手机淘宝从3000万 DAU做到了6000万，后又从6000万攀升到了1.1亿，在流量增长方面的成绩真的是无人可及

答2：蒋凡引入的算法，成功地在让淘宝实现了“千人千面”的信息流，大幅度地缩短了消费决策的时长，提高了大家手机购物的体验的好感。之后蒋凡更是通过大数据算法的引入，将电商平台与用户的交互从简单的购物行为拓展到了全场景、全时段，并终打造出了后来手机淘宝中受用户喜爱的功能之一—— " 猜你喜欢 "，让手机淘宝不再是一个单纯的平台，而是成为了一个好玩、好逛、内容丰富的多元生态，用计算机算法真正支撑起了手机淘宝的发展。

电商类的奥鹏适合什么算法

算法大致可以分为三类：基于内容的算法、协同过滤算法和基于知识的算法。

基于内容的算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多）有很大关联性，就把后者给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他算法则很少会去，但是基于内容的算法可以分析Item之间的关系，实现），弊端在于的Item可能会重复，典型的就是，如果你看了一则关于MH370的，很可能的和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的（比如音乐、电影、等)由于很难提内容特征，则很难进行，一种解决方式则是人工给这些Item打标签。

协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会给你，这是简单的基于用户的协同过滤算法（user-based collaboratIve filtering），还有一种是基于Item的协同过滤算法（-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-based Collaborative Filtering，另一种则是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization等，这种方法训练过程比较长，但是训练完成后，过程比较快。

后一种方法是基于知识的算法，也有人将这种方法归为基于内容的，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行。

混合算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。

当然，系统还包括很多方法，其实机器学习或者数据挖掘里面的方法，很多都可以应用在系统中，比如说LR、GBDT、RF（这三种方法在一些电商里面经常用到），社交网络里面的图结构等，都可以说是方法。

电商网站一般用什么技术开发

.NET技术

Microsoft?.NET是MicrosoftXMLWebservs平台。XMLWebservs允许应用程序通过Internet进行通讯和共享数据，而不管所采用的是哪种作系统、设备或编程语言。Microsoft.NET平台提供创建XMLWebservs并将这些服务集成在一起之所需。对个人用户的好处是无缝的、吸引人的体验。

简单的讲.NET只是一种现代的架构，是近几年的技术，运用的是C(CSHARP)语言，系统只在window平台上运行，web系统当然自然在iis上了。做项目要高效、低成本、快速度，开发的技术要简单，没有那么多压力和障碍。

其实关于.NET技术也是近五年多在国内外比较流行的一相技术。很多“智能”客户端应用软件和作系统，包括PC、PDA、手机或其他移动设备通过互联网、借助WebServs技术，用户能够在任何时间、任何地点都可以得到需要的信息和服务。例如：可以在手机上阅读、定购机票、浏览在线相册以及公司内使用的CRM系统等等，应用了.NET的解决方案后所有的业务人员便可以通过手机或PDA直接访问客户信息了，这样方便，快捷了很多。

Ja技术

为什么JAVA在某些部分存在着众多不足，如：运行效率、学习难易、开发工具不足、界面，但开发较大的项目胜任有余，原因就在于，架构上的优势获得的效率远比于上述这些东西的影响要大。举个简单的例子，要提高一个程序的效率（特别在图像处理和一些科学计算领域），用更好的算法往往能获得效率的巨大提高，而细节代码的改善相对有限。

JAVA在开发工具、与WINDOWS的接口紧密度、桌面程序开发、程序界面等方面处于劣势，同时在标准的组件上不如齐全和方便。

二者比较

总之，ja不能完全代替.NET,.NET也不能完全代替.ja。对于决策人员，要根据本单位的实际情况选择开发平台；对于开发人员，你擅长哪种开发平台就选择哪一种；对于学习人员，这两种开发平台都应当去学。

对于两种平台都熟悉的开发人员，选择Ja则工作量和工作难度都大些，但可以拖延时间，可拿到较多的报酬；选择.NET则工作量和工作难度相对都小些，报酬也就少些。因为老板不会让你少出力又多拿钱!

至于说.NET技术不安全的那类人，是压根不懂.NET的所以才这么说，其实不管是运用哪一项技术，潇_认为没有的安全，也没有的不安全，就像电脑一样，再安全如果不去防范，不照样中招吗？是一个奇怪的地方，所以在选ja认为没错，但是又有哪一家的技术能给微软去竞争呢？吃不到葡萄才说葡萄酸的人是没有主见的，否定.NET技术的人是不喜欢微软的人，不喜欢微软的人，却每天都用着微软的产品，这不等于打了自己的嘴巴吗？

就来说，Unix-Like的OS都还不错。但如果产品或者项目后要把Linux交给客户自己维护，那就不能怪开发人员不愿意花时间看英文文档了。因为这里面有客户和开发人员的维护成本和风险的考虑，企业愿意把自己的东西教给人家托管吗？

反过来说，为什么那么多Windows中招？就是因为维护他们的要求也的确低了点儿，导致居然有很多程序员和维护人员在Windows上收电子邮件、看movie、四处浏览网页，还开了一大堆不是默认的服务，所以，Windows才受到的不公正评价，才认为人家的不安全，实在可笑。

由此看来，评价与JAVA孰优孰劣的问题，实在没有太大意义，就好像讨论当科学家和当明星谁更有前途一样。并不代表孰优就一定成功。很简单的一个例子，在众多即时通信软件里，QQ从技术上来说并不是的，但是是目前成功的。

系统产品和算法概述丨产品杂谈系列

本文主要是对近所学的系统的总结，将会简单概述非个性化范式、群组个性化范式、完全个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的范式的设计思路。

许多产品的算法都依赖于三类数据：标的物相关的描述信息（如鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。这三类数据是模型的主要组成部分，除此之外一些人工标注的数据（例如为商品人工打上标签）、第三方数据也能够用于补充上述的三类数据。

服务端在有以上数据的基础上，就可以从三个维度进行：

根据个性化的颗粒度，我们可以将基于用户维度的分为非个性化、群组个性化及完全个性化三种类型。

非个性化指的是每个用户看到的内容都是一样的 在互联网产品中，我们常见的非个性化的例子是各种排行榜，如下图是酷狗音乐的排行榜，通过各个维度计算各类榜单，不管是谁看到这个榜单，上面的排序和内容都是一致的。

群组个性化指的是将具有相同特征的用户聚合成一组，同一组用户在某些方面具备相似性，系统将为这一组用户一样的内容 。这种方式是很多产品进行用户精细化运营时会采用的方式，通过用户画像系统圈定一批批用户，并对这批用户做统一的运营。例如音乐软件的播放，若以摇滚乐为基准将一批用户聚合成组，则为这些用户提供的每日歌单是相同的内容和顺序，但与另一组爱听民谣的用户相比，两组用户看到的每日内容将是不同的。

完全个性化指的是为每个用户的内容都不一样，是根据每一位用户的行为及兴趣来为用户做，是当今互联网产品中常用的一种方式 。大多数情况下我们所说的就是指这种形式的，例如淘宝首页的“猜你喜欢”就是一个完全个性化的，千人千面，每个人看到的尚品都不一样。

完全个性化可以只基于用户行为进行，在构建算法时只考虑到用户个人的特征和行为 ，不需要考虑其他用户，这也是常见的内容方式。除此之外， 还可以基于群组行为进行完全个性化，除了利用用户自身的行为外，还依赖于其他用户的行为构建算法模型 。例如，用户属性和行为相似的一群用户，其中90%的用户买了A商品后也买了B商品，则当剩下的10%用户单独购买B商品时，我们可以为该用户商品A。

基于群组行为进行的完全个性化可以认为是全体用户的协同进化，常见的协同过滤、基于模型的等都属于这类形式。

基于标的物的指的是用户在访问标的物详情页或者退出标的物详情页时，可以根据标的物的描述信息为用户一批相似的或者相关的标的物，对应的是开始提到的“标的物关联标的物范式” 。如下图酷狗的相似歌曲，

除了音乐产品外，视频网站、电商、短视频等APP都大量使用基于标的物维度的。如下图便是YouTube基于标的物关联标的物的。在YouTube上我观看一个周杰伦的音乐视频时，YouTube在该页面下方为我更多与周杰伦有关的视频。

基于用户和标的物交叉维度的指的是将用户维度和标的物维度结合起来，不同用户访问同一标的物的详情页时看到的内容也不一样，对应的是开头提到的笛卡尔积范式。 拿酷狗音乐对相似歌曲的来举例，如果该采用的是用户和标的物交叉维度的的话，不同用户看到的“没有理想的人不伤心”这首歌曲，下面的相似歌曲是不一样的。拿淘宝举例的话，一样是搜索“裤子”这一，不同的人搜索得到的搜索结果和排序是不同的，可能用户A搜索出来优先展示的是牛仔裤，而用户B优先展示的是休闲裤，淘宝将结合搜索与用户个人的历史行为特征展示对应的搜索结果和排序。

对于基于笛卡尔积范式设计的系统来说，由于每个用户在每个标的物上的列表都不一样，我们是没办法是先将所有组合计算出来并储存（组合过多，数量是非常巨大的），因此对于系统来说，能否在用户请求的过程中快速地为用户计算个性化的标的物列表将会是一个比较大的挑战，对于整个系统的架构也有更高的要求，因此在实际应用中，该种方式用的比较少。

非个性化范式指的是为所有用户一样的标的物列表，常见的各种榜单就是基于此类规则，如电商APP中的新品榜、畅销榜等。排行榜就是基于某个规则来对标的物进行排序，将排序后的部分标的物给用户。例如新品榜是按照商品上架的时间顺序来倒序排列，并将排序在前列的产品给用户。而畅销榜则是按照商品销量顺序降序排列，为用户销量靠前的商品。

根据具体的产品和业务场景，即使同样是非个性化范式，在具体实施时也可能会比较复杂。例如在电商APP中畅销榜的可能还会将地域、时间、价格等多个维度纳入考虑范围内，基于每个维度及其权重进行终的排序。

大部分情况下，非个性化范式可以基于简单的计数统计来生成，不会用到比较复杂的机器学习算法，是一种实施门槛较低的方式。基于此，非个性化范式算法可以作为产品冷启动或者默认的算法。

完全个性化范式是目前的互联网产品中常用的模式，可用的方法非常多。下面对常用的算法进行简单梳理。

该算法只需要考虑到用户自己的历史行为而不需要考虑其他用户的行为，其核心思想是：标的物是有描述属性的，用户对标的物的作行为为用户打上了相关属性的烙印，这些属性就是用户的兴趣标签，那么我们就可以基于用户的兴趣来为用户生成列表。还是拿音乐来举例子，如果用户过去听了摇滚和民谣两种类型的音乐，那么摇滚和民谣就是这个用户听歌时的偏好标签，此时我们就可以为该用户更多的摇滚类、民谣类歌曲。

基于内容的个性化在实中有以下两类方式。

种是基于用户特征标识的。

标的物是有很多文本特征的，例如标签、描述信息等，我们可以将这些文本信息基于某种算法转化为特征向量。有了标的物的特征向量后，我们可以将用户所有作过的标的物的特征向量基于时间加权平均作为用户的特征向量，并根据用户特征向量与标的物特征向量的乘积来计算用户与标的物的相似度，从而计算出该用户的标的物列表。

第二种是基于倒排索引查询的。

如果我们基于标的物的文本特征（如标签）来表示标的物属性，那么基于用户对该标的物的历史行为，我们可以构建用户画像，该画像即是用户对于各个标签的偏好，并且对各个标签都有相应的偏好权重。

在构建完用户画像后，我们可以基于标签与标的物的倒排索引查询表，以标签为，为用户进行个性化。

举个粗暴的例子，有歌曲A、B、C分别对应摇滚、民谣、古风三个音乐标签，我听了歌曲A、B，则在我身上打了摇滚和民谣的标签，又基于我听这两个歌曲的频率，计算了我对“摇滚”和“民谣”的偏好权重。

在倒排索引查询表中，摇滚和民谣又会分别对应一部分歌曲，所以，可以根据我对摇滚和民谣的偏好权重从查询表中筛选一部分歌曲并给我。

基于倒排索引查询的方式是非常自然直观的，只要用户有一次行为，我们就可以据此为用户进行。但反过来，基于用户兴趣给用户内容，容易局限范围，难以为用户新颖的内容。

基于协同过滤的算法，核心思想是很朴素的”物以类聚、人以群分“的思想。所谓物以类聚，就是计算出每个标的物相似的标的物列表，我们就可以为用户用户喜欢的标的物相似的标的物，这就是基于物品的协同过滤。所谓人以群分，就是我们可以将与该用户相似的用户喜欢过的标的物(而该用户未曾作过)的标的物给该用户，这就是基于用户的协同过滤。

常见的互联网产品中，很多会采用基于标的物的协同过滤，因为相比之下用户的变动概率更大，增长速度可能较快，这种情况下，基于标的物的协同过滤算法将会更加的稳定。

协同过滤算法思路非常简单直观，也易于实现，在当今的互联网产品中应用广泛。但协同过滤算法也有一些难以避免的问题，例如产品的冷启动阶段，在没有用户数据的情况下，没办法很好的利用协同过滤为用户内容。例如新商品上架时也会遇到类似的问题，没有收集到任何一个用户对其的浏览、点击或者购买行为，也就无从基于人以群分的概念进行商品。

基于模型的算法种类非常多，我了解到的比较常见的有迁移学习算法、强化学习算法、矩阵分解算法等，且随着近几年深度学习在图像识别、语音识别等领域的进展，很多研究者和实践者也将其融入到模型的设计当中，取得了非常好的效果。例如阿里、京东等电商平台，都是其中的佼佼者。

由于该算法涉及到比较多的技术知识，在下也处于初步学习阶段，就不班门弄斧做过多介绍了，有兴趣的朋友可以自行进行学习。

群组个性化的步是将用户分组，因此，采用什么样的分组原则就显得尤为重要。常见的分组方式有两种。

先基于用户的人口统计学数据（如年龄、性别等）或者用户行为数据（例如对各种不同类型音乐的播放频率）构建用户画像。用户画像一般用于做精准的运营，通过显示特征将一批人圈起来形成同一组，对这批人做针对性的运营。因为前头已经提到此算法，这里不再重复介绍。

聚类是非常直观的一种分组思路，将行为偏好相似的用户聚在一起成为一个组，他们有相似的兴趣。常用的聚类策略有如下两类。

标的物关联标的物就是为每个标的物一组标的物。该算法的核心是怎么从一个标的物关联到其他的标的物。这种关联关系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他维度的关联（例如互补品，羽毛球拍和羽毛球）。常用的策略是相似。下面给出3种常用的生成关联的策略。

这类方式一般是利用已知的数据和标的物信息来描述一个标的物，通过算法的方式将其向量化，从而根据不同标的物向量之间的相似度来急速标的物之间的相似度，从而实现相识标的物的。

在一个成熟的产品中，我们可以采集到的非常多的用户行为，例如在电商平台中，我们可以手机用户搜索、浏览、收藏、点赞等行为，这些行为就代表了用户对某个标的物的某种偏好，因此，我们可以根据用户的这些行为来进行关联。

例如，可以将用户的行为矩阵分解为用户特征矩阵和物品特征矩阵，物品特征矩阵可以看成是衡量物品的一个向量，利用该向量我们就可以计算两个标的物之间的相似度了，从而为该用户相似度高的其他产品。

再例如， 采用购物篮的思路做，这种思路非常适合图书、电商等的 。 以电商为例，我们可以把用户经常一起浏览(或者购买)的商品形成一个列表，将过去一段时间所有的列表收集起来。对于任何一个商品，我们都可以找到与它一起被浏览或者购买的其他商品及其次数，并根据次数来判断其关联性，从而进行关联。

我们可以对用户进行分组，同样，我们也能够对标的物进行聚类分组。通过某位参考维度，我们将一些列具有相似性的标的物分成一组，当我们为用户进行的时候，便可以将同一组内的其他标的物作为对象，给用户。

笛卡尔积范式的算法一般是先采用标的物关联标的物范式计算出待的标的物列表。再根据用户的兴趣来对该列表做调整（例如根据不同兴趣的权重重新调整列表的排序）、增加（例如基于个性化增加对象）、删除（例如过滤掉已经看过的），由于其复杂程度较高在实际业务场景中应用较少，这边不再详细介绍。

好了，本次的介绍就到此为止了。本次主要是做了一个非常简单的算法概述，在实际的业务场景中，还经常需要与产品形态或者更多的未读（如时间、地点等）相结合，是一个很有意思的领域，有兴趣的朋友可以进一步了解。

电商平台 数据分析采用什么方法

先从整体上关注几个核心指标开始，在逐步分解到各个部分。

核心指标：UV、转化率、客单价、毛利率、推广ROI、重复购买率

在核心指标的基础上，逐步对媒体、用户、商品、营销等对象做详细指标；同时在内部运营绩效方面进行：、商品、仓储物流等....高达软件为客户搭建的电商平台可以根据需求搭建定制化后台 ，后台可以自带数据分析功能

淘宝和天猫是用数据魔方；京东用数据罗盘

如何利用数据挖掘算法进行精准营销？

数据挖掘，已成为各大公司的必备职位，针对顾客行为和购买历史等进行数据整合、分析挖掘，达到精准定位营销的目的。但数据挖掘并不是简单的数据采编，更多需要一些算法技巧，比如我们做数据挖掘会采用分类算法、聚类算法、关联规则等。下面 大圣众包威客平台 我就这三种算法详细介绍下，如何实现精准营销。