推荐系统规划

推荐系统规划何德琳[e-mail]2012年3月推荐系统建设背景与目标推荐系统架构推荐系统建设思路目彔无论用户在互联网的任何页面他所需要的信息就在他的面前当今的互联网正从搜索时代进入推荐时代在当今互联网的时代，用户处在一个信息爆炸的时代，面对网络上的海量信息会迷失，在这种背景下推荐系统应运而生，它根据用户的兴趣爱好推荐符合用户兴趣爱好的信息。推荐引擎建立在强大的数据挖掘和机器学习技术基础之上。推荐引擎通过对海量用户数据的分析和挖掘，找到用户不信息产品之间的二元关系。推荐引擎是一个主动发现用户当前或潜在需求，幵且主动推送信息给用户的信息网络。身边的推荐如何满足用户的个性化需求？--推荐引擎推荐引擎已经成为互联网业务的重要标配！如何主动发现感兴趣的好友？如何为用户过滤出有价值的资讯和感兴趣的的话题?如何寻找自己喜欢的APP?推荐系统可以解决这个问题。推荐系统在互联网行业的应用标杆近年来互联网行业内电子商务及社交领域等众多公司如Amazon、Netflix、weibo、豆瓣等由于巨大的推荐应用需求，推荐系统得到了得到了飞速发展。推荐系统将成为未来互联网里重要的变革，社会化网站将由推荐系统所驱动。推荐系统将在好友、信息、app等推荐领域发挥较大作用。LinkedIn的推荐产品：LinkedIn推荐系统带来的巨大价值：Recommendationsdrive：Morethan50%50%ofconnections50%ofjobapplications50%ofgroupjoins推荐引擎的工作原理推荐引擎涉及的技术：推荐引擎社会人口属性用户基本属性………物品关键字基因描述……用户购买信息用户查看/使用信息用户的评价信息…用户信息物品信息用户对物品的偏好信息物品推荐给推荐给推荐给推荐给用户推荐引擎的核心能力：针对性、定向主动推送能力推荐引擎的三大特点推荐系统的建设目标搭建计算和存储平台，丰富推荐引擎算法，持续优化推荐引擎模型，打造高质量、高性能、灵活扩展的推荐引擎。通过开放API接口支撑应用场景的应用以及灵活扩展。逐步丰富推荐应用场景，提升推荐引擎应用价值。推荐系统建设背景与目标推荐系统架构推荐系统建设思路目彔推荐系统架构推荐系统分层结构数据源未来扩充数据应用层算法层数据层API层推荐引擎推荐交互&反馈优化其他数据源推荐渠道推荐时机推荐内容推荐用户用户属性库和统一视图用户标签数据产品内容数据反馈评价数据用户行为挖掘模型数据……..用户、产品研究模型数据日志系统DW营销数据用户其他相关数据其他互联网网站数据过滤排序控制过度推荐控制补足推荐控制冷启动处理控制cep基于内容的推荐算法协同过滤算法关联规则推荐算法基于社会网络的推荐算法其他算法参数传入接口数据输出接口数据采集接口实时过滤排序实时信息接口应用场景1应用场景2应用场景3应用场景4……用户/产品数据挖掘分析数据收集数据来源数据汇总分类数据挖掘人口属性消费行为业务使用产品属性库用户属性库业务开通用户评价………客户基础属性用户特征与兴趣偏好沟通范围娱乐关注偏向娱乐沟通生活商务关注偏向强度沟通欲望强度活动区域主要生活内容职业特点工作特征消费特征消费偏向心理特征兴趣爱好用户特征挖掘模型特征标签…….产品关联集产品特征信息产品信息质量评分相似产品集归整产品相关性，互补、替代性产品生命周期产品关系链产品热销周期，地区，人群，时节产品推荐支持度系数特色产品产品研究体系推荐算法行为及兴趣:MachineLearningCF,KNN,MFLR，RDT,GDBT…社交场景:Graphmining:TNN-relationchainRandomwalk,PageRank,Hits规则匹配：标签匹配、状态匹配、热点推荐…内容推荐:IR：Classification,SVM(similarity)LSA,LDA…上下文信息:匹配过滤：LBS，Time…混合模型：HybridmodelRank、Filter、Feedback、Evaluation推荐系统建设背景与目标推荐系统架构推荐系统建设思路目彔推荐引擎建设思路丰富业务应用•优先应用于对原有系统有极大提升效果的场景，逐步丰富业务应用。搭建合理架构•分层解耦，集成化平台，支持应用功能的灵活扩展。敏捷开发•保持系统的迭代速度，寻求系统复杂度和算法精度的平衡。推荐应用构建示例当开放平台引入的应用越来越多，当用户在众多的APP寻找一个需要的应用或者一个小游戏的时候，如何在众多的应用中找到用户喜欢的？推荐引擎可以丌同用户主动推荐感兴趣的应用！用户行为数据库APP日志提取和分析1:基于邻域的协同过滤推荐算法ItemCF：推荐给用户和他们之前喜欢的类似的应用UserCF：推荐给用户那些和他们兴趣相似的用户喜欢的应用2:关联规则算法用户兴趣特征结果过滤和排名最终推荐结果用户行为模型产品相似度表以APP推荐为例推荐系统演进方向目标打造高质量、高性能、灵活扩展的推荐引擎。逐步丰富推荐应用场景。1应用场景：优先应用于对原有系统有极大提升效果的场景，逐步丰富业务推荐应用场景。2推荐引擎：引入多个推荐算法混合的推荐机制；打造基于社交场景下的社会化推荐引擎。3数据层：丰富数据源，丰富用户研究模型，获取用户隐性偏好。提升在线推荐速度和响应时间。4运作模式：构建推荐云开放平台RCP，开放推荐API，实现被推荐业务接入和承载、数据云存储和计算。