该数据的适用条件包括平台拥有大规模的商品信息和用户数据，并且能够追踪和记录用户的详尽历史交互信息。这类数据的应用能够解决电商平台的重要问题，包括但不限于提高个性化用户体验、增加用户的平台黏性、促进销售额的增长以及提高用户转化率。通过个性化推荐系统，用户可以更加高效地发现符合其喜好和需求的商品，从而提升购买满意度和用户忠诚度。
商品建模需要收集商品的属性信息[itemId、category]以及用户的点击行为序列[click_history]以及购买行为序列[buy_history]，建模过程先基于用户的行为序列构建商品之间的关联图（相邻的两个交互商品之间构建关联），然后在图上游走获取商品关联路径,在路径上基于窗口滑动获取关联的训练数据集合[center、contexts、gloabl]，然后基于右图的 loss 函数进行模型训练，训练后获取得到商品id以及属性(category)的Embedding向量（模型中id对应的可学习参数即是Embedding 向量），将商品id向量和商品属性向量拼接输出最终的商品向量。 用户向量基于用户的view_history、click_history、collect_history、buy_history 各种行为序列加上用户行为的时效信息在商品向量的基础上聚合得到。UserVector = Agg(ItemVectorCollection , *_history) 利用商品向量表示，计算用户兴趣和商品的相似度，基于LSH模型进行快速的向量召回，以获取与用户兴趣相匹配的商品
| 字段名 | 类型 | 描述 |
|---|---|---|
商品信息 |
-- | -- |
用户信息 |
-- | -- |
用户历史交互 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 商品信息 | {itemId:123, item_name:手机, item_desc:智能手 |
| 用户信息 | {userId:001, age:25, gender:男, province: |
| 用户历史交互 | buy_history:[343,555,334]} |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/30825