推荐系统

1、推荐系统的含义

推荐系统包含系统推荐和个性化推荐，系统推荐是根据大众行为的推荐引擎，对每个用户都给出同样的推荐（如淘宝的“热卖单品”），而个性化推荐是对不同的用户，根据他们的口味和喜好给出更加精确的推荐（如：淘宝的“猜你喜欢”）。

2、推荐场景

推荐出现的位置、场景也非常复杂，几乎所有页面上面都可以进行商品推荐，而不同页面，推荐的侧重点也会不尽相同。比如：首页推荐，用户还没有任何行为，所以一般都是通过该用户的历史轨迹向用户进行推荐。在详情页，用户已经表现出对该商品的强烈兴趣，一般会做类似商品或者组合商品的推荐。

在《京东推荐系统实践—打造千人千面的个性化推荐引擎》里，做了如下总结：

单品页：购买意图；

过渡页：提高客单价；

购物车页：购物决策；

无结果页：减少跳出率；

订单完成页：交叉销售；

关注推荐：提高转化；

我的京东推荐：提高忠诚度；

首页猜你喜欢：吸引用户。

3.系统推荐

3.1系统推荐目的

针对所有用户推荐，当前比较流行的商品（必选） 或 促销实惠商品（可选） 或 新上市商品（可选），以促进商品的销售量。 PS：根据我们的应用情况考虑是否 选择推荐 促销实惠商品 和 新上市商品。（TODO1）

3.2、实现方式

实现方式包含：系统自动化推荐 和 人工设置推荐。

（1）系统自动化推荐考虑因素有：商品发布时间、商品分类、库存余量、历史被购买数量、历史被加入购物车数量、历史被浏览数量、降价幅度等。根据我们当前可用数据，再进一步确定（TODO2）

（2）人工设置：提供运营页面供运营人员设置，设置包含排行位置、开始时间和结束时间、推荐介绍等等。

由于系统推荐实现相对简单，因此不作过多的文字说明，下面详细介绍个性化推荐的设计。

4、个性化推荐

4.1、个性化推荐目的

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，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，通过找到与当前用户相同喜好的用户，实现推荐，以促进商品的销售量。

4.2、三种推荐模式的介绍

据推荐引擎的数据源有三种模式：基于人口统计学的推荐、基于内容的推荐、基于协同过滤的推荐。

（1）基于人口统计学的推荐：针对用户的“性别、年龄范围、收入情况、学历、专业、职业”进行推荐。

（2）基于内容的推荐：如下图，这里没有考虑人对物品的态度，仅仅是因为电影A月电影C相似，因此将电影C推荐给用户A。这是与后面讲到的协同过滤推荐最大的不同。

（3）基于协同过滤的推荐：如下图，这里我们并不知道物品A和物品D是否相似，仅仅考虑人对物品的喜好进行推荐。

模式采用：这三种模式可以单独使用，也可结合使用。结合我们实际情况，采用基于协同过滤的推荐更加合适，看后期情况是否结合另外两种模式实现推荐。但基于协同过滤的推荐这种模式，会引发“冷启动”问题。关于，冷启动问题，可以采用系统推荐解决方案。

4.3、用户喜好设计

（1）判断用户喜好因素：历史购买、历史购物车、历史搜索、历史浏览等，待确定我们可用数据再进一步细化。

（2）用户对某个商品的喜好程度，通过不同行为对应不同分值权重，如：历史购买（10）、历史购物车（8）、历史搜索（5）、历史浏览（6），确定用户喜好因素后再进一步对各个因素评分权重进行 合理的设计。

（3）用户对商品的喜好程度最终体现：结合某个商品的不同行为 统计出 最终对该商品的喜好程度，即对商品的喜好程度，最终以一个数字体现。

4.4、Mahout介绍

目前选择采用协同过滤框架Mahout进行实现。

Mahout 是一个很强大的数据挖掘工具，是一个分布式机器学习算法的集合，包括：被称为Taste的分布式协同过滤的实现、分类、聚类等。Mahout最大的优点就是基于Hadoop实现，把很多以前运行于单机上的算法，转化为了MapReduce模式，这样大大提升了算法可处理的数据量和处理性能。

Mahout 是一个布式机器学习算法的集合，但是这里我们只使用到它的推荐/协同过滤算法。

参考文档：

https://www.sohu.com/a/141040288_403327

https://www.useit.com.cn/thread-12628-1-1.html

https://www.cnblogs.com/wanghuaijun/p/7112952.html?utm_source=itdadao&utm_medium=referral