推荐系统知识体系

推荐系统基础知识体系结构：

 

1.为什么使用推荐系统   

      随着互联网行业的发展，信息量也在以几何倍数式爆发增长。垃圾信息越来越多，导致用户获取有价值信息的成本大大增加。

由于信息的爆炸式增长，对信息获取的有效性，针对性的需求也就自然出现了。面对信息过载，推荐系统应运而生。

•   促进厂商商品销售，帮助用户找到想要的商品
•   图书推荐；QQ好友推荐；优酷，爱奇艺的视频推荐；豆瓣的音乐推荐；大从点评的餐饮推荐；世纪佳缘的相亲推荐；智联招聘的职业推荐。
•   亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额。

      

推荐系统利用用户数据来发现规律

        

2.推荐系统基本原理

      

3.Hadoop框架Mahout的推荐系统整体架构

      

4.推荐系统中的算法   

• 基于用户
• 基于内容
• Slope One
• 协同过滤
• 关联规则

（1）基于用户的推荐技术

（2）基于内容或物品的推荐技术

    如下图所示：

    

    

2.1基于内容算法(content based personality)简介：

      该算法根据用户过去喜欢的物品，给用户推荐与他过去喜欢物品的相似物品。基于内容算法

假设用户喜欢他过去喜欢物品的相似物品。 比如在给用户推荐小说时，如果用户之前读过《神雕

侠侣射雕英雄傳》和《笑傲江湖》，基于内容的个性化算法可能会给用户推荐《天龙八部》。

    

2.2基于内容推荐的例子：

  

 

2.3物品属性

    

2.4物品属性的向量模型

    

2.5 构建向量模型

    

    

2.6 用户属性User Profiles

      

      

       

       

        

2.7基于内容其他推荐方式       

      打标签：运动商品类，快速消费品类。粒度划分越细，推荐结果就越精确。

商品名称与关键字：通过从商品的描述信息中提取关键字，利用关键字的相似来作推荐。

同商家不同商品：用户购买了商店的一件商品，就推荐这个商店的其他热销商品。

经验：一个经典的例子就是商店在啤酒架旁边摆上纸尿布。在网上购买啤酒的人，也可以推荐纸尿布？

2.8 基于内容的推荐优缺点分析

     

（3）slope one算法

    

3.1步骤：

     

3.2 例子分析

      

                

       

3.3加权算法

       

 

           

        上图用户对物品的评分矩阵。现预测用户user_3对item_2的评分。

        

3.4slope one步骤数学表述

       

      

3.5算法实现

          

       

      原始数据：

        

        

3.6Slope One适用场景与优缺点

   

（4）协同过滤   

协同：指协调两个或者两个以上的不同资源或者个体，协同一致地完成某一目标的过程或能力。

原理：协同过滤技术是基于用户对项目的历史偏好，发掘项目之间的相关性，或者是发掘用户间的相关性，根据这些相关性进行推荐。

4.1 基于用户的协同过滤推荐技术

      

              

4.2 基于物品的协同过滤推荐技术(评分)

        

由此得到如下图：

     

4.3 基于用户的协同过滤算法

步骤：

    1、找到和目标用户兴趣相似的用户集合。

    2、找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

    

     

   

             

物品—用户倒排表

     

构建用户—用户相似矩阵

   

4.4 推荐物品

    

    

    

    推荐物品