Produkt · Empfehlungen

Der nächste sinnvolle Artikel — ab dem ersten Besuch.

Empfehlungen kombinieren Katalogähnlichkeit, das, was Besucher gemeinsam öffnen, und den Verlauf jedes einzelnen Besuchers. Eine Kaltstart-Kaskade hält die Reihe vom ersten Tag an nützlich, und Diversifizierung verhindert Wiederholungen.

Wie „zusammen gekauft“ gelernt wird

Verbindungen zwischen Produkten, basierend auf den Besuchen Ihrer Besucher. Dickere Linien bedeuten stärkere Beweise; Bestseller werden heruntergewichtet, damit sie sich nicht mit allem paaren.

zusammen gekauft · 0.9zusammen gekauft · 0.7als nächstes geöffnet · 0.5zusammen angesehen · 0.6TelefonHülleLadegerätBildschirmglasÄhnliches Telefon

Automatisch aus den letzten 90 Tagen neu aufgebaut. Eine Verbindung benötigt mindestens zwei Besuche. Manuelle „nie vorschlagen“-Links haben immer Vorrang.

Modelle

Ähnliche Artikel

Artikel-zu-Artikel-Ähnlichkeit über Embeddings, ohne den Ausgangsartikel bei jedem Aufruf neu einzubetten.

Gemeinsam angeklickt

Artikel, die in derselben Sitzung wie der Ausgangsartikel geöffnet wurden — das günstigste Verhaltenssignal, ohne langfristige Identität.

Persönlich

Der abklingende Verlauf von Klicks und Suchanfragen eines Besuchers verändert das Ranking; das Gewicht steigt mit wachsendem Verlauf.

Trends und Beliebtes

Indexweite Beliebtheit und die Trend-Suchanfragen dieser Woche als Rückfallebene beim Kaltstart.

Qualität

Diversität (MMR)

Maximal Marginal Relevance hält Beinahe-Duplikate aus derselben Reihe heraus.

Nachvollziehbar

Jeder Artikel kommt mit einer Begründung und einer Aufschlüsselung des Scores — Ähnlichkeit, Affinität, Beliebtheit — für Debugging und Vertrauen.

Einwilligungsbewusst

Persönliche Signale werden nur genutzt, wenn die Einwilligung des Besuchers dies erlaubt.

Als Nächstes: der Produktgraph

Im Detail konzipiert; siehe die Seite zum Graphen.

Ergänzungen statt Doppelgänger

Lernt, was in einem Besuch zusammen gekauft wird — das Ladegerät zum Laptop. Abrufbar mit strategy: complement.

Richtung Kauf

Wird danach ranken, wie wahrscheinlich ein Artikel zu einem Kauf führt, nicht nur nach Ähnlichkeit.

Technische Daten

Artikel pro Anfrage
1–50
Ausgeschlossene IDs pro Anfrage
bis zu 200
Strategien
complement, next, co_view, ähnlich, persönlich, populär, im Trend
Besuchsfenster
30 Minuten Inaktivität beenden einen Besuch
Produktgraph neu aufbauen
automatisch, aus den letzten 90 Tagen von Ereignissen
Minimale Beweise für eine Kante
in 2 oder mehr Besuchen gesehen
Persönliche Signale
nur mit Zustimmung verwendet, wenn der Index es erfordert

Bevor Sie starten

  • Klick- und Ansichtsevents (das Widget sendet sie automatisch)
  • Add-to-Cart- und Kaufereignisse von Ihrem Backend für zusammen gekaufte Artikel
  • Produkteinbettungen für ähnliche Artikel — oder einfache Textfelder als Fallback

So starten Sie

  1. 1

    Events senden

    Das Widget erfasst Klicks und Aufrufe automatisch; senden Sie Warenkorb- und Conversion-Events mit Bestellwert aus Ihrem Backend.

    POST /api/v1/indexes/products/events
    { "type": "conversion", "document_id": "sku-123", "value_cents": 459900 }
  2. 2

    Empfehlungen abrufen

    Für eine Produktseite, einen Warenkorb oder einen wiederkehrenden Besucher.

    POST /api/v1/recommendations
    { "index": "products", "seed_document_id": "sku-123", "limit": 8 }

Fragen