親和力與相似性將真實的購物籃和行為轉化為您可以採取行動的相似性。
抽象層的一個子組件，它回答的是與關係圖不同的問題：不是誰與誰相連，而是什麼與什麼相似。它計算三種統計相似度，全部基於真實數據。產品間的相似度來自真實的購物籃－哪些產品在同一訂單中同時出現（購買了 X，也購買了 Y）。每個成員的類別親和力捕捉了每個成員傾向於哪些類別，數據來自他們的購買和瀏覽歷史。成員和標籤相似度——相似用戶——將標籤和行為彼此相似的成員分組，從而可以將已驗證的受眾擴展到真正與他們相似的人群。所有這些都不是憑空捏造的：每個分數都源自於觀察到的訂單和行為，並且絕不會侵犯身份或隱私邊界。
從真實數據中得出統計相似性——哪些產品是一起購買的，會員傾向於哪些類別，哪些會員看起來很相似——因此推薦和相似擴張取決於真實模式，而不是受歡迎程度。
相似度是基於真實數據得出，而非人氣或猜測。
推薦和受眾拓展的效果取決於背後的相似度。此層根據實際發生的情況（真實的購物籃、真實的類別傾向、真實的用戶畫像相似度）計算相似度，並將其作為受控輸出傳遞給本體和推薦引擎，從而確保每個「類似」答案都基於事實且可複現。
- 經常一起購買
- 有時會一起買
- 核心產品
- 類似產品
三種相似性，皆來自真實數據
這裡的相似性始終回答“什麼與什麼相似”，並且始終源自觀察到的訂單和行為——絕非捏造，也絕非侵犯身份或隱私。
- 產品間關聯 — 基於真實購物籃的共同購買：哪些產品出現在同一訂單中（購買了 X，也購買了 Y），轉化為產品相似性。
- 每位會員的類別親和力－根據會員自己的購買和瀏覽歷史而不是全店平均值計算得出的會員傾向的類別。
- 成員和標籤相似度（相似使用者）－標籤和行為彼此相似的成員，因此可以將經過驗證的種子受眾擴展到真正與他們相似的使用者。
相似度計算結果
一旦相似性被轉化為受控的輸出，它就成為推薦介面和代理可以輕鬆讀取的內容——每次都得到相同的答案。
- 最佳替代品－基於會員真實的共同購買和類別模式，而非一般的受歡迎程度。
- 相似受眾拓展－透過與真實客戶資料的相似度，而非寬泛的人口統計範圍，來發展高轉換率受眾。
- 一致的「相似」答案——推薦引擎、活動受眾和代理推理步驟都讀取一個受控相似性，因此它們同意。
相似度與關係圖
此層與關係圖類似，二者的區別至關重要：相似性是指統計上的相似性（外觀相似、購買方式相似），而關係圖則是一種明確的社會關係（實際轉化的推薦或潛在的家庭）。它們互為補充，應一起解讀，切勿混淆。
- 相似性分析透過數據模式回答「相似之處」的問題——例如，購買相似的產品、外觀相似的會員。
- 關係圖回答「誰與誰有聯繫」的問題——包括真實客戶、轉換推薦客戶、品牌大使和家庭關係。
- 代理同時運用這兩種方法：從圖表中根據結構角色選擇合適的劇目，並根據相似性選擇合適的產品或相似受眾。
推薦引擎是這一層的主要消費者：它透過電子郵件、您自己的網站和透過 API 的任何應用程式根據每個成員的親和力進行個性化，並為首次訪客提供趨勢回退，因此插槽永遠不會空。
這就是該層改進人工智慧決策的方式。
如果沒有相似度模型，推薦將依賴全店人氣，受眾拓展也將依賴廣泛的人口統計數據——兩者都無法反映特定會員的實際購買行為和相似之處。每個工具都會暫時重新計算相似度，因此廣告活動使用的「類似」答案與推薦引擎提供的答案不一致，而且兩者都不是基於真實的購物籃或真實的個人資料相似性。
次佳產品選擇基於真實的聯購或品類模式，而非全店人氣。
會員看到的推薦會反映他們實際偏好的類別，而不是普通購物者的偏好。
已驗證的受眾群體可以擴展到標籤和行為與其真正相似的一組成員，而不是基於廣泛的人口統計猜測。
行銷活動使用的「類似」答案和推薦引擎提供的答案均來自同一個受控模型的輸出。
價值是可操作的，而不僅僅是技術的。
智能體基於真實的共同購買或品類模式（而非全店熱度）獲得次優推薦產品，並基於真實的用戶畫像相似度（而非人口統計猜測）進行相似用戶拓展。由於相似度是受控模型的輸出，而非臨時計算，因此相同的「類似產品」答案可以在任何地方復現——推薦介面、廣告系列受眾或智能體推理步驟。
根據真實的購物籃資料計算產品相似度－即共同購買對（購買了 X，也購買了 Y），而非通用暢銷商品。
根據每位會員的購買和瀏覽歷史推導出其對特定類別的偏好，從而確保推薦的次優產品能夠反映他們真正的傾向。
根據標籤和行為建立成員和標籤相似度（相似用戶），從而將已驗證的受眾群體擴展到真正相似的人群。
將每個相似性都作為受控的、物化的模型輸出，因此相同的「類似」答案會被一致地讀取，而不是即時重新計算。
這三者都基於觀察到的數據，並嚴格遵守身分和隱私邊界——相似性是從實際發生的事情中推斷出來的，絕不捏造。
此層負責什麼
從原始商店讀取逐項訂單行併計算產品共現（兩種產品出現在同一個購物籃中的頻率）作為產品與產品的相似度。
將每位會員自己的購買和瀏覽歷史記錄匯總為每位會員的類別親和力，表達他們傾向於哪些類別。
根據個人資料標籤和行為計算成員之間的相似度，從而將種子受眾擴展到與其相似的相似受眾群體。
將相似性輸出具體化為受控模型結果，並將它們暴露給本體和建議表面，因此它們是被讀取的，而不是每次調用時重新派生的。
與關係圖保持互補：此層對統計相似性進行建模，而關係圖對顯式轉換的社交關係進行建模——兩者一起解讀，絕不會混淆。