举个例子，在淘宝的某个频道，有很多裤子，裤子元近天的销量可能w件，裤子元近天的销量是件，在不考虑其它因素的情况下，非个性化模型或运营排序一般会偏向于裤子在裤子前面，但是如果这个用户在平台历史购物行为都是集中在高价格商品名牌包包等，则如果你个性化的考虑每个人的这个偏好，那么有可能裤子就在前面了，而且用户可能真的更喜欢裤子。 . 流量均衡曝光 在或网站有限的商品曝光机会下，为每个展现的商品争取最大的点击/成交等，因为用户在平台上的时间是有限的，如果能在海量的商品中，为用户找到他感兴趣的商品，那么平台将在这有限的流量资源下收获更大的价值。

 举个例子，有可能用户在某个频道下，看了，然后看了，再看了，最终买了D，并且D这四个商品都是有一定关系的商品，那么平台能否在一开始在我看完以后就帮我找到，并在下面推荐D商品。在最大限度挖掘用户购物需求的情况下，最大限度缩短用户购物的时间。 . 提升极速流畅的购物体验 可以给用户创造极致的用户体验，极致的用户体验是用户信任依赖平台，在每次购物过程中，希望平台能够帮助其快速，准确地找到其想要的商品，其中包括了基于用户历史兴趣的再延伸，也有基于用户角色的行为探索。 比如用户每隔-天会购买尿不湿，未来平台是否能够在-之间快速捕捉用户购买尿不湿的需求；再比如用户在平台上第一次浏览电脑，我基于用户的其它购物行为比如用户之前在平台上经常买-岁的衣服，并且大部分邮寄的地址为大学宿舍，是否平台可以在接下来的浏览中为用户呈现适合学生族高性价的电脑。

 稳定的流量与稳定的交互、比例可以保证数据的稠密性，单用户和单商品有足够的数据可以完成机器学习，并且保证一定的置信度；当有新用户新商品加入系统时，由于系统中缺乏用户商品历史反馈信息，所以完全无法推断用户的偏好，也就无法做出预测，信息匹配量级差异过大。 在人机交互过程中不断拓展用户行为模型，补充足够的产品信息库，根据不同人群浏览行为进行精准推荐与展示，实现把不同价格产品根据不同的流量池分布给需要的用户，这个过程可以称为从广泛匹配到精准匹配，使购物的推荐运算模型得到个性化的具象呈现。