longhopefor,开启学习之路

采用基于数据挖掘的算法来实现推荐引擎是各大电子商务网站、SNS社区最为常用的方法，推荐引擎常用的Content-Based推荐算法及协同过滤算法（Item-Based 、User-based）在电子商务推荐系统入门v2.0、电子商务推荐系统入门基础中已经有所阐述。但从实际应用来看，对于大部分中小型企业来说，要在电子商务系统完整采用以上算法有很大的难度。1、常用推荐引擎算法问题1）、

推荐算法什么样的产品适合推荐 1. 多样性（物品足够多，用户无法一一查看）2. 口味重要（用户口味各异，物品长尾显著，靠热门排行榜推荐无法解决）3. 纯粹性（单一物品相关属性不太复杂，利于精准推荐）4. 大众产品（用户多，规模化，利于推荐）5. 时效性较低（时效性过高则产品更新快，如新闻推荐，推荐数据需要不断更新）6. 容易反馈（推荐引擎需要根据用户反馈结果不断学习

在当前这个信息量飞速增长的时代，一个企业，尤其是电子商务企业的成功已经越来越多地与其海量数据处理能力相关联。高效、迅速地从海量数据中挖掘出潜在价值并转化为决策依据的能力，将成为企业的核心竞争力。数据的重要性毋庸置疑，但随着数据的产生速度越来越快，数据量越来越大，数据处理技术的挑战自然也越来越大。如何从海量数据中挖掘出价值所在，分析出深层含义，进而转化为可操作的信息，已经成为各互联网企业尤其是电

什么是关联规则挖掘技术？　　关联规则挖掘的根本目的是寻找商品销售记录中的相关性，从而更好地指导销售策略的制定。一个典型的规则是：“43%购买了雀巢速溶咖啡的顾客都会购买雀巢咖啡伴侣”。基于这个规则，在实体超市中，应当把这两种产品放到相近的地方，而在网上超市中，如果顾客购买了雀巢速溶咖啡却没有购买咖啡伴侣，则可以在关联商品栏目中添加相应的推荐。现在很多企业已经认识到详细的原始购买记录的重要性

推荐系统之综述在信息过载时代，信息及其传播形式多样化，用户对信息的需求成多元化和个性化发展趋势。搜索引擎已不能满足不同背景、不同目的、不同时期的个性化信息需求，于是个性化服务概念应运而生。个性化服务根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户，从而为不同用户提供不同的服务或信息内容，推荐系统就是个性化服务研究的一个重要分支。推荐系统的任务是联系用户和信息，帮助用户发现有价值

转载出处：http://www.cnblogs.com/zuoqs/archive/2012/03/18/2405211.html 《Recommender Systems Handbook》，市面上不多的关于推荐系统的书之一。2010年10月出版，英文版。目前还没有中文版，估计出中文版的可能性不大。读者数量太少了。全书871页，比较厚。Amazon.com上这本书还没有读者评论，看来在英

最近一直学习Mahout和推荐引擎相关的知识，一直想搞清楚，什么样的推荐系统的架构才是合理，既能对海量数据进行复杂运算，又能及时响应做出推荐。在网上发现一篇对推荐系统结构讲解的很好的文章数：据驱动销售——个性化推荐引擎，里面提到这样的思想“ 数据的特性对我们的架构设计起到了一个非常关键的作用，因为我们可以使用完全不同的方式来将静态数据和动态数据分开处理，再合并分析 ”，对于一个数据挖掘初学者的我，