本文將向您介紹，在終端使用者在重新整理推薦結果的過程中，如果想要更加直觀地促進使用者感受到“隨著興趣的變化，推薦結果進一步關懷使用者興趣”即“即時反饋”，應當如何配置演算法策略、配合相關產品功能從而達到此效果。
一、記錄使用者行為並即時上傳
當使用者在瀏覽“推薦”頁面的過程中，將發生多種行為，如曝光、點擊、加購等。
當使用者觸發行為後，需要通過服務端SDK介面/通過友盟APP版SDK上報的形式同步到智能推薦系統。
二、商品類目資訊最佳化
傳統的I2I（ItemCF）演算法，能夠依據行為學習出item之間的相似性，產出item之間相似性分數。這種方法可能會發現一些認知程度無法理解的高分（如典型的啤酒和尿不濕關聯）。
本著可解釋性強+即時反饋層體驗最佳化的初衷與實踐演練，這裡我們選用最能體現商品/內容屬性的特徵即類目屬性，做進一步的收斂。
如，上圖被加購的商品：【張雲雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝，
屬於“化妝品_彩妝套裝”（僅用做參考，請按照業務實際情況做類目特徵抽象），
需要將此資訊填報到item表的category_level（2）、category_path（化妝品_彩妝套裝）欄位。
三、調整I2I演算法策略
相比傳統的I2I，智能推薦提供了3種最佳化後的I2I演算法策略，分別是“子類目收斂最佳化”、“父類目收斂最佳化”以及“基準基於物品協同過濾”。
這裡我們需要使用到“子類目收斂最佳化”、“父類目收斂最佳化”。
樣本1：父類目收斂最佳化
如，【張雲雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發使用者多條行為之後，我們希望推薦出更多與“化妝品_彩妝套裝”中“化妝品”更加相關的商品，則可啟用“父類目收斂最佳化”運算元並將優先順序調高。
如圖：
樣本2：子類目收斂最佳化
如，【張雲雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發使用者多條行為之後，我們希望推薦出更多與“化妝品_彩妝套裝”中“彩妝套裝”更加相關的商品，則可啟用“子類目收斂最佳化”運算元並將優先順序調高。
如圖：
樣本3：父、子類目收斂最佳化組合
如，【張雲雷禮盒】稚優泉夢樂家禮盒聯名彩妝套裝唇釉化妝品組合裝觸發使用者多條行為之後，我們希望推薦出更多與“化妝品_彩妝套裝”中“化妝品”以及“彩妝套裝”更加相關的商品，同時啟用並指定二者的優先順序。
如圖：
四、進行AB實驗
如三中所述，樣本1、樣本2、樣本3都可以達到即時反饋加強的使用者體驗，業務更加適合哪種形態，可以通過做實驗的方法，直接對比線上的業務效果，最終做出決策。
使用流程大致如下：
1、啟動實驗；
2、建立實驗：實驗1-父類目收斂最佳化優先順序高、實驗2-子類目收斂最佳化優先順序高，實驗3、4等等；
3、分配流量：保證其他實驗配置保持一致，分配等份流量桶；
4、觀察效果：持續觀察至少1周的業務效果報表，得出結論；
5、實驗決策：假設經觀察，二者同時啟用，子類目優先順序高效果更好，則對該實驗配置進行推全。
五、實際效果預覽
當使用者完成一屏瀏覽，重新請求推薦結果時（注意這中間需要重新訪問一次智能推薦的recommend介面），那麼第二屏、第三屏的推薦結果將發生傾斜。
大致的體感如下：
1、化妝品出現；
2、彩妝套裝出現；
如果希望同時結合使用者反饋的“不喜歡”行為，定製推薦結果即時反饋，請參考“通過負反饋功能提升終端使用者推薦精準度”。