使推薦以推薦索引鍵為依據

以演演算法為基礎的建議會使用訪客行為內容來顯示Adobe Target Recommendations活動中的相關結果。

每個演演算法型別會提供適合其型別的不同演演算法，如下表所示：

各條件均在自己的標籤中定義。 流量平均分入不同的條件測試中。 換句話說，如果您有兩個條件，流量會在它們之間平均分配。 如果您有兩個條件和兩個設計，流量會在四個組合中平均分割。 您也可指定可看到預設內容的訪客比例，以進行比較。 在這種情況下，指定的訪客百分比會看到預設內容，其餘則會平分給您的條件和設計組合。

如需建立條件以及定義其演演算法型別與演演算法的詳細資訊，請參閱建立條件。

不同的建議演演算法會將自身借出，以放置在不同型別的頁面上。 請參閱下列各節，以取得關於每個演演算法型別及其可用演演算法的詳細資訊。

購物車型 cart-based

購物車型演演算法型別允許根據訪客目前購物車的內容推薦專案。 建議金鑰是透過mbox引數cartIds以逗號分隔的值提供。 僅考慮前 10 個值。

購物車型建議邏輯類似於"為您推薦的"使用者型演演算法，以及"瀏覽過這些專案、購買那些"和"購買這些專案、購買那些"專案型演演算法的使用者。

Target會使用合作篩選技術來判斷訪客購物車中每個專案的相似性，然後結合每個專案的這些行為相似性，以取得合併清單。

Target也可讓行銷人員選擇檢視單一工作階段或多個工作階段中的訪客行為：

Target會根據每位訪客目前購物車中的專案提供建議，無論您是檢視單一工作階段內的訪客行為，還是檢視多個工作階段的訪客行為。

下列演演算法可用於購物車型演演算法型別：

已檢視此專案的人也已檢視

建議在檢視所指定項目的相同工作階段中，最常檢視的項目。

此邏輯會傳回使用者檢視此產品後所檢視的其他產品。 指定的產品未包含在結果集中。

此邏輯可讓您藉由推薦其他檢視過專案的訪客也檢視過的專案，來建立其他轉換機會。 例如，在您網站上檢視公路腳踏車的訪客也可能檢視腳踏車頭盔、腳踏車套件、車鎖等。 您可以使用此邏輯建立建議，以建議其他產品可協助您增加收入。

如果您選取此演演算法，可以選取下列建議索引鍵：

瀏覽過此專案，也購買了的人

建議在檢視所指定項目的相同工作階段中，最常購買的項目。

此邏輯會傳回使用者檢視此產品後購買的其他產品。 指定的產品未包含在結果集中。

此邏輯可讓您藉由在產品頁面上顯示建議（例如，顯示其他檢視過所購買專案的訪客）來增加交叉銷售機會。 例如，如果訪客正在檢視釣竿，建議會顯示其他訪客購買的其他專案，例如釣竿盒、魚竿和釣魚誘餌。 當訪客瀏覽您的網站時，您會提供他們額外的購買建議。

如果您選取此演演算法，可以選取下列建議索引鍵：

已購買此專案的人也已購買

建議當客戶購買所指定項目的同時，最常購買的項目。

此邏輯會傳回使用者購買此產品後購買的其他產品。 指定的產品未包含在結果集中。

此邏輯可讓您藉由在購物車摘要頁面上顯示建議（例如，顯示其他買家也購買的專案），以增加交叉銷售機會。 例如，如果訪客正在購買西裝，建議可顯示其他訪客隨同西裝一起購買的其他專案，例如領帶、正裝鞋和袖扣。 當訪客檢閱其購買專案時，您會提供他們額外的建議。

如果您選取此演演算法，可以選取下列建議索引鍵：

以熱門程度為基礎

以人氣為基礎的演演算法型別可讓您根據整個網站中專案的整體人氣或根據使用者最喜愛或檢視次數最多的類別、品牌、型別等內的專案人氣提供建議。

下列演演算法適用於以熱門程度為基礎的演演算法型別：

整個網站檢視次數最多 most-viewed

建議由檢視次數最多的專案決定。 這由最新/頻率條件判斷，方式如下:

例如，在一個工作階段中檢視衝浪板A然後檢視衝浪板B會導致A：10、B：5。 作業結束時，您有A：5、B：2.5。 如果您在下一個作業階段中檢視相同的專案，值會變更為A： 15 B： 7.5。

在一般頁面（例如首頁或登陸頁面及站外廣告）上使用此演演算法。

依類別檢視次數最多 most-viewed-category

建議由接收最多活動的類別確定，而使用的方法與「檢視次數最多的項目」的相同，只不過是以類別計分，而並非產品。

這由最新/頻率條件判斷，方式如下:

第一次造訪的類別會獲得 10 點。 後續對相同類別的造訪會獲得 5 點。 隨著每次造訪，之前已檢視的非目前類別會減少 1。

例如，在一個工作階段中檢視類別A接著檢視類別B會導致A：9、B：10。 如果您在下次作業時檢視相同項目，值會變更為 A: 20 B: 9。

在一般頁面（例如首頁或登陸頁面及站外廣告）上使用此演演算法。

如果您選取「依類別檢視次數最多」演演算法，可以選取下列Recommendations索引鍵：

檢視次數最多的專案屬性

推薦與您網站上檢視次數最多的專案或媒體類似的專案或媒體。

此演演算法可讓您選取建議要根據的專案屬性，例如「名稱」或「品牌」。

接著，您需選取訪客的設定檔中儲存哪些設定檔屬性要符合，例如「最喜愛的品牌」、「加入購物車的最後一個專案」或「最常檢視的節目」。

整個網站最暢銷商品 top-sellers

顯示整個網站中，已完成最多訂單所包含的料號。 單一訂單中相同項目的多個單位視為一份訂單。

此演演算法可讓您為網站上的最暢銷專案建立建議，以提高轉換率和收入。 此邏輯尤其適合初次造訪您網站的訪客。

依類別排名的最暢銷商品

依類別顯示最已完成訂單中包含的料號。 單一訂單中相同項目的多個單位視為一份訂單。

此演演算法可讓您根據類別，建立網站上最暢銷商品的建議，以提高轉換率和收入。 此邏輯尤其適合初次造訪您網站的訪客。

如果您選取依類別檢視次數最多的演演算法，則可以選取下列建議索引鍵：

依專案屬性的最暢銷商品

推薦與您網站上最常購買的專案或媒體類似的專案或媒體。

此演演算法可讓您選取建議要根據的專案屬性，例如「名稱」或「品牌」。

接著，您需選取訪客的設定檔中儲存哪些設定檔屬性要符合，例如「最喜愛的品牌」、「加入購物車的最後一個專案」或「最常檢視的節目」。

依輪廓屬性的檢視次數最多項目

建議依訪客設定檔屬性而非專案資訊群組的最常檢視專案，例如依類別檢視次數最多和依專案屬性檢視次數最多。 Target會為每個屬性值保留個別的排名清單，並在傳送時顯示符合自己儲存值的清單。

此演演算法依賴設定檔指令碼來填入屬性，指令碼名稱必須以recsAttribute首碼開頭，因此Target將其儲存為user.recsAttribute<Name>。 您可以針對與使用案例相關的任何訪客特性編寫指令碼。

在此頁面中進一步瞭解如何使用設定檔指令碼來設定設定檔屬性。

例如，以訪客區域為基礎而名為recsAttributeRegion的指令碼可能會如下所示：

var region = mbox.param('userRegion');
if (region) return region;

建立並啟動指令碼後，建立條件視窗的設定檔屬性下拉式清單中會提供對應的區域專案。 請注意，recsAttribute首碼本身不會顯示在下拉式清單中。

依個人檔案屬性的最暢銷商品

建議依訪客設定檔屬性而非專案資訊群組的最暢銷商品，例如依類別的最暢銷商品和依專案屬性的最暢銷商品。 Target會保留每個屬性值的個別最暢銷商品清單，並在傳送時顯示符合訪客自己儲存值的清單。

和設定檔屬性檢視次數最多的一樣，此演演算法依賴設定檔指令碼來填入屬性，而且指令碼名稱必須以recsAttribute首碼開頭，因此Target會將其儲存為user.recsAttribute<Name>。 您可以針對與使用案例相關的任何訪客特性編寫指令碼。 在此頁面中進一步瞭解如何使用設定檔指令碼來設定設定檔屬性。

例如，以訪客的忠誠度等級為基礎而名為recsAttributeLoyaltyTier的指令碼可能會如下所示：

var tier = mbox.param('visitorLoyaltyTier');
if (tier) return tier;

建立並啟動指令碼後，建立條件視窗的設定檔屬性下拉式清單中會提供對應的忠誠度等級專案。 請注意，recsAttribute首碼本身不會顯示在下拉式清單中。

Analytics量度排名最前

顯示​ x ​為任意Analytics量度的「前x個」。 使用來自mbox的行為資料時，您可以使用最暢銷或最常檢視 （x = "Sold"或x = “Viewed”）。 如果您是使用Adobe Analytics的行為資料，您可以使用x = "Cart Adds"或其他Analytics個量度。

專案型

Item-Based建議型別可讓您根據使用者目前檢視或最近檢視之專案的類似專案來提出建議。

下列演演算法適用於Item-Based演演算法型別：

瀏覽過此專案、也瀏覽了其他專案的使用者 viewed-viewed

建議在檢視所指定項目的相同工作階段中，最常檢視的項目。

此邏輯會傳回檢視此邏輯後所檢視的其他產品；指定的產品不會包含在結果集中。

此邏輯可讓您藉由推薦其他檢視過專案的訪客也檢視過的專案，來建立其他轉換機會。 例如，在您網站上檢視公路腳踏車的訪客也可能檢視腳踏車頭盔、腳踏車套件、車鎖等。 您可以使用此邏輯建立建議，以建議其他產品可協助您增加收入。

如果您選取此演演算法，則可以選取下列建議金鑰：

瀏覽過此專案、但購買了其他專案的使用者 viewed-bought

建議在檢視所指定項目的相同工作階段中，最常購買的項目。 此條件傳回在檢視這個產品之後購買的其他產品，而指定的產品未包含在結果集合中。

此邏輯會傳回檢視此邏輯後購買的其他產品；指定的產品不包含於結果集中。

此邏輯可讓您藉由在產品頁面上顯示建議（例如，顯示其他檢視過所購買專案的訪客）來增加交叉銷售機會。 例如，如果訪客正在檢視釣竿，建議會顯示其他訪客購買的其他專案，例如釣竿盒、魚竿和釣魚誘餌。 當訪客瀏覽您的網站時，您會提供他們額外的購買建議。

如果您選取此演演算法，則可以選取下列建議金鑰：

購買了此專案、也購買了其他專案的使用者 bought-bought

建議當客戶購買所指定項目的同時，最常購買的項目。

此邏輯會傳回使用者購買此產品後購買的其他產品。 指定的產品未包含在結果集中。

此邏輯可讓您藉由在購物車摘要頁面上顯示建議（例如，顯示其他買家也購買的專案），以增加交叉銷售機會。 例如，如果訪客正在購買西裝，建議可顯示其他訪客隨同西裝一起購買的其他專案，例如領帶、正裝鞋和袖扣。 當訪客檢閱其購買專案時，您會提供他們額外的建議。

如果您選取此演演算法，則可以選取下列建議金鑰：

具有類似屬性的專案 similar-attributes

根據目前頁面活動或訪客的過去行為，建議相似的項目或媒體。

如果您選取具有類似屬性的專案或具有類似屬性的媒體，您可以選擇設定內容相似度規則。

使用內容相似度來產生建議對新專案特別有效，使用檢視過此專案、檢視此專案的人以及根據過去行為的其他邏輯時，這些專案不太可能在建議中顯示。 您也可以使用內容相似度，為沒有過去的購買或其他歷史資料的新訪客產生實用的建議。

如果您選取此演演算法，則可以選取下列建議金鑰：

如需詳細資訊，請參閱內容相似度。

以使用者為基礎

以使用者為基礎的演演算法型別可讓您根據使用者的行為提供建議。

下列演演算法可用於以使用者為基礎的演演算法型別：

最近查看的項目 recently-viewed

根據設計中的位置數量，使用訪客的歷史 (跨工作階段) 以呈現訪客已檢視的前 x 個項目。

最近檢視的專案演演算法傳回指定環境的特定結果。 如果兩個網站分屬於不同環境，當訪客在這兩個網站之間進行切換時，每個網站都只會顯示適用網站最近檢視過的項目。 如果兩個網站屬於同一環境，當訪客在這兩個網站之間進行切換時，訪客會看到兩個網站同樣最近檢視過的專案。

可以篩選最近檢視的專案或最近檢視的媒體，以便只顯示具有特定屬性的專案。

可能的使用案例包括，擁有多個企業的跨國公司可能有跨多個數位資產的訪客檢視專案。 在此情況下，您可以將最近查看的項目限制在僅顯示檢視其所在位置的各自屬性。 這可防止最近檢視的專案顯示在其他數位屬性的網站上。

在一般頁面（例如首頁或登陸頁面及站外廣告）上使用此演演算法。

為您推薦 recommended-for-you

根據每位訪客的瀏覽、檢視和購買記錄來建議專案。

此演演算法可讓您為新訪客和回訪訪客提供個人化內容和體驗。 建議清單會針對訪客的最近活動加權，並會在工作階段中更新，當使用者瀏覽您的網站時，推薦清單會變得更個人化。

檢視和購買都會用來決定建議專案。 指定的建議金鑰（例如目前的專案）可用來套用您選取的任何包含規則篩選器。

例如，您可以:

如果您選取此演演算法，可以選取下列篩選索引鍵：

自訂條件 custom

自訂條件演演算法型別可讓您根據上傳的自訂檔案提出建議。

建議由儲存在訪客設定檔中的專案決定，使用user.x​或profile.x​屬性。

選取此選項時，輪廓屬性中必須呈現 entity.id 值。

根據自訂屬性來建議時，您必須選取自訂屬性，然後選取建議類型。

對於您自己的自訂條件輸出，您可以執行即時篩選。 例如，您可以將建議的項目限制在來自訪客最喜愛的類別或品牌的內容。 此功能可讓您結合離線計算與即時篩選。

此功能表示您可以在離線計算的建議或自訂策展清單上，使用Target新增個人化。 這結合資料科學家的本領和研究，與 Adobe 的實測可靠傳送、執行階段篩選、A/B 測試、鎖定目標、報表、整合及其他。

連同在自訂條件上新增包含規則，這會將原本靜態的建議轉變為根據訪客興趣的動態建議。

可能的使用案例包括:

建議索引鍵 keys

下列建議金鑰可從建議金鑰下拉式清單中取得：

目前專案 current-item

建議由訪客正在檢視的項目確定。

推薦會顯示對指定項目感興趣的訪客的其他項目。

選取此選項時，必須將 entity.id 值作為顯示 mbox 的參數傳遞。

可與下列演演算法搭配使用：

使用您網站上的目前專案建議金鑰：

上次購買的項目 last-purchased

建議由每位獨特訪客上次購買的項目確定。 系統會自動擷取此值，因此頁面上不會傳遞任何值。

可與下列演演算法搭配使用：

使用您網站上的上次購買的專案建議金鑰：

自訂建議索引鍵

您可以讓建議以自訂輪廓屬性的值為依據。 例如，假設您要根據訪客最近新增至佇列的影片顯示建議影片。

如果自訂輪廓屬性未直接比對至單一實體 ID，則需要向 Recommendations 解說您希望實體的比對如何發生。 例如，假設您要顯示訪客最喜愛品牌的最暢銷商品專案。

上次檢視的項目 last-viewed

建議由每位獨特訪客上次檢視的項目確定。 系統會自動擷取此值，因此頁面上不會傳遞任何值。

可與下列演演算法搭配使用：

使用您網站上的上次檢視的專案建議金鑰：

檢視次數最多的項目 most-viewed-logic

顯示網站上檢視次數最多的專案或媒體。

此邏輯可讓您根據網站上檢視次數最多的專案顯示建議，以提高其他專案的轉換率。 例如，媒體網站可在其首頁上顯示檢視次數最多影片的建議，以鼓勵訪客觀看其他影片。

此建議金鑰可與下列演演算法搭配使用：

目前類別 current-category

建議由訪客正在檢視的產品類別確定。

推薦會將項目顯示在指定的產品類別中。

選取此選項時，必須將 entity.categoryId 值作為參數傳入顯示 mbox。

此建議金鑰可與下列演演算法搭配使用：

使用您網站上的目前類別建議金鑰：

最喜愛的類別 favorite-category

建議由訪客最喜愛的產品類別決定。

推薦會將項目顯示在指定的產品類別中。

選取此選項時，必須將 entity.categoryId 值作為參數傳入顯示 mbox。

此建議金鑰可與下列演演算法搭配使用：

使用您網站上的目前類別建議金鑰：

網站相關性 site-affinity

根據項目之間關係的必然性來建議項目。 您可以使用「包含規則」滑桿來設定此條件，以決定呈現建議之前需要多少資料。 例如，如果您選取「非常強」，則會建議符合確定性最強的產品。

例如，如果您設定非常強的相關性，且您的設計包含五個項目，其中三個符合連線強度臨界值，則不符合最低強度需求的兩個項目不會出現在建議中，而會由您定義的備用項目取代。 具有最強相關性的項目會先顯示。

例如，線上retailer可在後續的造訪中，建議訪客在過去工作階段中感興趣的專案。 系統會擷取每個訪客工作階段的活動，以根據造訪間隔和頻率模型計算相似性。 當此訪客返回您的網站時，會使用網站相似性來根據您網站上先前的動作顯示建議。

某些客戶具有相異產品集合和相異網站行為，如果他們設定弱網站相關性，可能會獲得最佳結果。

此邏輯可與下列建議索引鍵搭配使用：