电子商务网站搜索架构方案
2013-04-24 14:20 Batys 阅读(690) 评论(0) 编辑 收藏 举报
基于lucene实现自己的推荐引擎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)、相对成熟、完整、现成的开源解决方案较少 粗略分来,目前与数据挖掘及推荐引擎相关的开源项目主要有如下几类: 数据挖掘相关:主要包括Weka、R-Project、Knime、RapidMiner、Orange 等 文本挖掘相关:主要包括OpenNLP、LingPipe、FreeLing、GATE 、Carrot2 等,具体可以参考LingPipe’s Competition 推荐引擎相关:主要包括Apache Mahout、Duine framework、Singular Value Decomposition (SVD) ,其他包可以参考Open Source Collaborative Filtering Written in Java 搜索引擎相关:Lucene、Solr、Sphinx、Hibernate Search等 2)、常用推荐引擎算法相对复杂,入门门槛较低 3)、常用推荐引擎算法性能较低,并不适合海量数据挖掘 以上这些包或算法,除了Lucene/Sor相对成熟外,大部分都还处于学术研究使用,并不能直接应用于互联网大规模的数据挖掘及推荐引擎引擎使用。 2、采用Lucene实现推荐引擎的优势对很多众多的中小型网站而言,由于开发能力有限,如果有能够集成了搜索、推荐一体化的解决方案,这样的方案肯定大受欢迎。采用Lucene来实现推荐引擎具有如下优势: 1)、Lucene 入门门槛较低,大部分网站的站内搜索都采用了Lucene 2)、相对于协同过滤算法,Lucene性能较高 3)、Lucene对Text Mining、相似度计算等相关算法有很多现成方案 在开源的项目中,Mahout或者Duine Framework用于推荐引擎是相对完整的方案,尤其是Mahout 核心利用了Lucene,因此其架构很值得借鉴。只不过Mahout目前功能还不是很完整,直接用其实现电子商务网站的推荐引擎尚不是很成熟。只不过从Mahout实现可以看出采用Lucene实现推荐引擎是一种可行方案。 3、采用Lucene实现推荐引擎需要解决的核心问题Lucene擅长Text Mining较为擅长,Lucene在contrib包中提供了MoreLikeThis功能,可以较为容易实现Content-Based的推荐,但对于涉及用户协同过滤行为的结果(所谓的Relevance Feedback),Lucene目前并没有好的解决方案。需要在Lucene中内容相似算法中加入用户协同过滤行为对因素,将用户协同过滤行为结果转化为Lucene所支持的模型。 4、推荐引擎的数据源电子商务网站与推荐引擎相关典型的行为:
因此基于Lucene实现推荐引擎主要要处理如下两大类的数据 1)、内容相似度 例如:商品名称、作者/译者/制造商、商品类别、简介、评论、用户标签、系统标签 2)、用户协同行为相似度 例如:打标签、购买商品、点击流、搜索、推荐、收藏、打分、写评论、问答、页面停留时间、所在群组等等 5、实现方案5.1、内容相似度基于Lucene MoreLikeThis实现即可。 5.1、对用户协同行为的处理1)、用户每一次协同行为都使用lucene来进行索引,每次行为一条记录 2)、索引记录中包含如下重要信息: 商品名、商品id、商品类别、商品简介、标签等重要特征值、用户关联行为的其他商品的特征元素、商品缩略图地址、协同行为类型(购买、点击、收藏、评分等)、Boost值(各协同行为在setBoost时候的权重值) 3)、对评分、收藏、点击等协同行为以商品特征值(标签、标题、概要信息)来表征 4)、不同的协同行为类型(例如购买、评分、点击)设置不同的值setBoost 5)、搜索时候采用Lucene MoreLikeThis算法,将用户协同转化为内容相似度 以上方案只是基于Lucene来实现推荐引擎最为简单的实现方案,方案的准确度及细化方案以后再细说。 更为精细的实现,可以参考Mahout的算法实现来优化。 |
基于lucene的搜索方案
一、 Lucene 简介
Lucene是apache的一个顶级开源项目,由java实现的全文检索引擎,能基于各种文档格式的全文索引和检索,包括word、pdf,不包括图形类。
Lucene.net 是C#版的lucene 是由java的lucene翻译过来的,也被apache列为开源项目对外发布,功能和java的基本一样,但是由于缺乏良好的技术支持和社区活跃度,目前已被apache放入孵化器
Lucene写入:源文件经过analyzer处理,包括分词,权重处理、生成document记录,写入存储器(硬盘或者内存)。
Lucene 读出:对搜索关键词进行analyzer处理,包括分词、权重、范围匹配处理.源码结构图如下:
具体流程如下图:
数据流图如下: