电商to C平台是典型的专业的人传递专业的信息给不专业的人的场景，其与toB平台的区别是：toB平台的用户需求较为单一，在一段时间内往往是有明确的采购需求，很少会有发散的需求或者闲逛的需求，而toC平台的用户的需求相对B端没有那么明确和固定，用户的兴趣也在实时变化，在购买自己目标商品的同时也会在逛的过程中产生临时需求，且购物的目标相比toB平台也会更为分散，种类更多。

在to C平台中，一个用户在3天前浏览过化妆品，1小时前浏览过女装，当前正在浏览高跟鞋，如果计算当前用户行为，那么很大概率，商品信息流中会有大量的高跟鞋被密集地推荐出来。此种情况虽然有利于快速聚焦用户的当前需求，但却忽略了用户的其他购物需求，效果并不好，缺少对用户需求的全局认知。

因此，针对这种现象，在推荐列表的返回时，会考虑组合商品集合的返回而不仅是结果序列的返回。也就是针对用户，系统会从候选集合中，选出n个商品组成集合K，同时选中的商品之间需要满足既定的约束（类目打散）来保证推荐体验，推荐列表则是由n个集合K组成的。

举个例子：原先在商品信息流中会推荐50个互不考虑关联的商品，而通过商品集合返回的形式，会返回10个以5个不同品类商品组成的集合，每个集合的品类被打散，所以同品类的商品不会集中密集地在一起进行推荐。从推荐“用户最有可能感兴趣的商品”变成推荐“用户最感兴趣的不同品类的商品”，从而实现兼顾用户的全局需求的目标。

总而言之，我们分别从行为收集、算法计算、召回排序和结果展示四个方面讲了电商场景推荐的不同，当然，这只是通用电商场景层面上的不同而已。电商发展到现在，各种商业模式层出不穷，推荐系统在不同商业模式的实现方式必然各不相同，例如在电商场景中，外卖场景会将LBS、餐品时间等因子参与模型计算中，因此我们还是“具体问题具体分析”。