大数据--商品推荐系统介绍(上)

这次我们介绍商品推荐系统:

  • 推荐系统是什么
  • 推荐引擎的分类
  • 常见的推荐算法
  • 混合的推荐机制(重要)
  • 推荐系统架构
  • 协同过滤的实现

推荐引擎解决的几个问题

  1. 主动的用户,通过类目和搜索进行引导,对结果页进行干预
  2. 被动的用户,通过用户的历史行为分析,推荐用户可能感兴趣的商品。
  3. 对商家来讲,帮助商家卖出更多的东西

推荐系统是什么

目的

为了解决信息过载和用户无明确需求的问题,找到用户感兴趣的物品,才有了个性化推荐系统。

  • 分类目录和搜索引擎,解决信息过载的问题,代表性的解决方案是分类目录和搜索引擎,如hao123,电商首页的分类目录以及百度,360搜索等。
    不过分类目录和搜索引擎只能解决用户主动查找信息的需求,即用户知道自己想要什么,并不能解决用户没用明确需求很随便的问题。
    经典语录是:你想吃什么,随便!面对这种很随便又得罪不起的用户(女友和上帝),只能通过分析用户的历史行为给用户的兴趣建模,从而主动给用户推荐能够满足他们兴趣和需求的信息。比如问问女友的闺蜜,她一般什么时候喜欢吃什么。
  • 推荐系统广泛存在于各类网站中,作为一个应用为用户提供个性化的推荐。它需要一些用户的历史数据,一般由三个部分组成:
    • 基础数据
      包括用户的访问、浏览、下单、收藏,用户的历史订单信息,评价信息等很多信息;
    • 推荐算法系统推荐算法系统主要是根据不同的推荐诉求由多个算法组成的推荐模型;
    • 前台展示,前台展示主要是对客户端系统进行响应,返回相关的推荐信息以供展示。
      在这里插入图片描述

推荐引擎的分类

推荐引擎的分类可以根据很多指标进行区分:

常规分类
  • 根据大众行为的推荐引擎
    根据大众行为的推荐引擎,对每个用户都给出同样的推荐,这些推荐可以是静态的由系统管理员人工设定的,或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。(销售排行榜、关注排行榜、好评排行榜)
  • 个性化推荐引擎,对不同的用户,根据他们的口味和喜好给出更加精确的推荐,这时,系统需要了解需推荐内容和用户的特质,或者基于社会化网络,通过找到与当前用目标用户进行户相同喜好的用户,实现推荐。
根据数据源进行区分

根据数据源进行区分:主要是根据数据之间的相关性进行推荐,因为大部分推荐引擎的工作原理还是基于物品或者用户的相似集进行推荐。

  • 根据系统用户的基本信息发现用户的相关程度,这种被称为基于人口统计学的推荐(Demographic-based Recommendation)
  • 根据推荐物品或内容的元数据,发现物品或者内容的相关性,这种被称为基于内容的推荐(Content-based Recommendation)
  • 根据用户对物品或者信息的偏好,发现物品或者内
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值