“相似产品”建议通过将产品表示为数学空间中的向量来实现，向量之间的接近程度表示相似性。每个产品使用机器学习模型（捕捉其特征，例如文本描述、图像、购买历史或用户交互）转换为数值向量（一个数字列表）。例如，一本书可以通过一个向量来表示，该向量编码其类型、作者和评论中的关键词。在这个空间中向量彼此接近的产品——通过余弦相似度或欧氏距离等指标衡量——被认为是“相似的”，并推荐给用户。
该过程通常包括三个步骤。首先，原始产品数据（例如标题、类别、用户点击）使用诸如 Word2Vec（用于文本）、卷积神经网络（CNN）（用于图像）或协同过滤（用于用户行为）等算法转换为向量。例如，一个电商平台可以训练一个模型，根据颜色、品牌、价格等属性以及用户购买模式，将鞋子映射成向量。其次，这些向量存储在针对快速相似性搜索优化的数据库中，例如向量数据库或近似最近邻（ANN）索引。最后，当用户查看某个产品时，系统会检索其向量，并在数据库中搜索最接近的向量，将这些产品作为推荐返回。一个实际的例子是用户查看一双红色运动鞋：系统可能会根据向量接近程度推荐具有相似颜色、品牌或价格范围的其他运动鞋。
实现这种方法的开发者通常使用 TensorFlow、PyTorch 或预训练模型（例如用于文本的 SBERT）来生成向量。对于可扩展的相似性搜索，FAISS、Annoy 或 Pinecone 等库或服务很常见。挑战在于平衡准确性和速度——精确的最近邻搜索对于大型商品目录来说计算成本很高，因此使用了近似方法。例如，一个 Python 脚本可以使用 FAISS 索引 100 万个产品向量，然后在几毫秒内查询前 10 个最近邻。性能调优，例如调整层次可导航小世界（HNSW）图中的聚类数量，确保即使产品目录增长，推荐也能保持快速和相关。