亲和力与相似性将真实的购物篮和行为转化为您可以采取行动的相似性。
抽象层的一个子组件，它回答的是与关系图不同的问题：不是谁与谁相连，而是什么与什么相似。它计算三种统计相似度，全部基于真实数据。产品间的相似度来自真实的购物篮——哪些产品在同一订单中同时出现（购买了 X，也购买了 Y）。每个成员的类别亲和度捕捉了每个成员倾向于哪些类别，数据来自他们的购买和浏览历史。成员和标签相似度——相似用户——将标签和行为彼此相似的成员分组，从而可以将已验证的受众扩展到真正与他们相似的人群。所有这些都不是凭空捏造的：每个分数都源自观察到的订单和行为，并且绝不会侵犯身份或隐私边界。
从真实数据中得出统计相似性——哪些产品是一起购买的，会员倾向于哪些类别，哪些会员看起来很相似——因此推荐和相似扩张取决于真实模式，而不是受欢迎程度。
相似度基于真实数据得出，而非人气或猜测。
推荐和受众扩展的好坏取决于其背后的相似性。该层根据实际发生的情况（真实的篮子、真实的类别倾斜、真实的配置文件相似性）计算相似性，并将其作为受控输出传递给本体和推荐引擎，因此每个“相似”答案都是有根据的且可重复的。
- 经常一起购买
- 有时会一起购买
- 核心产品
- 类似产品
三种相似度，均来自真实数据
此处的相似性始终回答“什么与什么相似”，并且始终源自观察到的订单和行为——绝非捏造，也绝非侵犯身份或隐私。
- 产品间关联 — 基于真实购物篮的共同购买：哪些产品出现在同一订单中（购买了 X，也购买了 Y），转化为产品相似性。
- 每个会员的类别亲和力——根据会员自己的购买和浏览历史而不是全店平均值计算得出的会员倾向于的类别。
- 成员和标签相似度（相似用户）——标签和行为彼此相似的成员，因此可以将经过验证的种子受众扩展到真正与他们相似的用户。
相似度计算结果
一旦相似性被具体化为受控输出，它就会成为推荐表面并且智能体可以简单地读取的东西 - 每次都是相同的答案。
- 最佳替代品——基于会员真实的共同购买和类别模式，而非一般的受欢迎程度。
- 相似受众拓展——通过与真实客户资料的相似度，而非宽泛的人口统计范围，来发展高转化率受众。
- 一致的“相似”答案——推荐引擎、活动受众和代理推理步骤都读取一个受控相似性，因此它们同意。
相似度与关系图
此层与关系图类似，二者的区别至关重要：相似性是指统计上的相似性（外观相似、购买方式相似），而关系图则是一种明确的社会关系（实际转化的推荐或潜在的家庭）。它们互为补充，应一起解读，切勿混淆。
- 相似性分析通过数据模式回答“相似之处”的问题——例如，购买相似的产品、外貌相似的会员。
- 关系图回答“谁与谁有联系”的问题——包括真实客户、转化推荐客户、品牌大使和家庭关系。
- 代理同时运用这两种方法：从图表中根据结构角色选择剧本，并根据相似性选择合适的产品或相似受众。
推荐引擎是这一层的主要消费者：它通过电子邮件、您自己的网站和通过 API 的任何应用程序根据每个成员的亲和力进行个性化，并为首次访问者提供趋势回退，因此插槽永远不会空。
这就是该层改进人工智能决策的方式。
如果没有相似性模型，推荐就会回落到商店范围内的受欢迎程度，而受众扩张则会回落到广泛的人口统计数据——两者都对特定会员实际购买的商品和相似的商品视而不见。相似性会在每个工具中临时重新计算，因此活动使用的“相似”答案与推荐引擎所服务的答案不一致，并且两者都不是基于真实的篮子或真实的个人资料相似性。
次佳产品选择基于真实的联购或品类模式，而非全店人气。
会员看到的推荐会反映他们实际偏好的类别，而不是普通购物者的偏好。
经过验证的受众可以扩展到一组相似的成员，这些成员的标签和行为确实与其相似，而不是广泛的人口统计猜测。
营销活动使用的“类似”答案和推荐引擎提供的答案均来自同一个受控模型的输出。
价值是可操作的，而不仅仅是技术的。
智能体基于真实的共同购买或品类模式（而非全店热度）获得次优推荐产品，并基于真实的用户画像相似度（而非人口统计猜测）进行相似用户拓展。由于相似度是受控模型的输出，而非临时计算，因此相同的“类似产品”答案可以在任何地方复现——推荐界面、广告系列受众或智能体推理步骤。
根据真实的购物篮数据计算产品相似度——即共同购买对（购买了 X，也购买了 Y），而非通用畅销商品。
根据每位会员的购买和浏览历史推导出其对特定类别的偏好，从而确保推荐的次优产品能够反映他们真正的倾向。
根据标签和行为构建成员和标签相似度（相似用户），从而将已验证的受众群体扩展到真正相似的人群。
将每个相似性都作为受控的、物化的模型输出，因此相同的“类似”答案会被一致地读取，而不是即时重新计算。
所有这三者都基于观察到的数据，并严格遵守身份和隐私边界——相似性是从实际发生的事情中推断出来的，绝不捏造。
此层负责什么
从原始商店读取逐项订单行并计算产品共现（两种产品出现在同一个购物篮中的频率）作为产品与产品的相似度。
将每个会员自己的购买和浏览历史记录汇总为每个会员的类别亲和力，表达他们倾向于哪些类别。
根据个人资料标签和行为计算成员之间的相似度，从而将种子受众扩展到与其相似的相似受众群体。
将相似性输出具体化为受控模型结果，并将它们暴露给本体和推荐表面，因此它们是被读取的，而不是每次调用时重新派生的。
与关系图保持互补：此层对统计相似性进行建模，而关系图对显式转换的社交关系进行建模——两者一起解读，绝不会混淆。