直接回答

"喜欢此商品的人也喜欢"的经典实现是基于物品的协同过滤：利用"用户-商品"交互矩阵（购买、点赞、浏览），计算商品两两相似度（同时喜欢 A 和 B 的用户越多越相似），为每个商品预计算 Top-N 相似商品列表，查询时直接读取。工程上拆成离线计算 + 在线读取两层，避免实时计算的高成本。

展开解析

设计分解：数据层收集行为日志（曝光/点击/加购/购买，按强度加权、近期权重高）；离线层用 Spark/Flink 定时任务构建交互矩阵计算相似度——简单可用余弦或 Jaccard，规模化常用共现计数加归一化，稀疏场景用内容特征（类目、品牌、embedding）相似度兜底；结果写入 Redis（key 为商品 ID，value 为有序列表）。在线层读缓存，合并业务规则：过滤已购、无库存，类目打散保证多样性，按需插入运营位。质量保障：相似度要惩罚热门商品（否则都指向爆款，可用 TF-IDF 式加权）；用 A/B 测试验证点击/转化提升。演进方向是向量召回（embedding + ANN 索引）与多路召回+排序模型。追问：新品/新用户冷启动、实时行为如何快速反映进推荐（近线流式更新）。