商品搜索引擎推荐系统设计Java开发Java经验技巧.docVIP

商品搜索引擎一推荐系统设计-编程开发技术 商品搜索引擎一推荐系统设计 原文出处：小宝鸽 结合目前已存在的商品推荐设计（如淘宝、京东等），推荐系统主要包含系统推 荐和个性化推荐两个模块。 系统推荐：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 荐可以是静态的曲系统管理员人工设定的，或者基于系统所冇用户的反馈统计计 算出的当下比较流行的物品。 个性化推荐：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 用户相同喜好的用户，实现推荐。 下面具体介绍系统推荐和个性化推荐的设计方案。 、系统推荐 2.1、 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。 （T0D01） 2.2、 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（T0D02） （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 和结束吋间、推荐介绍等等。 曲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。 三、个性化推荐 3?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。 3.2、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，这里没冇考虑人对物品的态度，仅仅是因为电 影A刀电影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。 相似 相似 （3）基于协同过滤的推荐：如卜?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。 用户c 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，后 续会讨论解决方案。 3.3、用户喜好设计 判断用户喜好因素：丿力史购买、丿力史购物车、丿力史搜索、丿力史浏览等，待 确定我们可用数据再进一步细化。 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，女口：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-步对各个因素评分权重进行 合理的设计。 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、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貝，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I■办同过滤的实现、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。 5、Mahout实现协同过滤实例 I■办同过滤在mahout里是由一个叫taste的引擎捉供的，它提供两种模式，一种 是以jar包形式嵌入到程序里在进程内运行，另外一种是MapReduce Job形式在 hadoop ±运行。这两种方式使用的算法是一样的，配置也类似。 这里我们采用第一种引入jar包的单机模式。 3.5. 1、依赖 dcpcndcncy groupldorg. apache. mahout/groupld artifactldmahout-core/artifactld version0? 9/version /dependency dcpcndcncy groupldorg. apache. mahout/groupld artifactldmahout-math/artifactld version0? 9/version /dependency dcpcndcncy groupldorg. apache. hadoop/grou