大数据在互联网领域的应用——推荐系统概述.pptxVIP

大数据在互联网领域的应用——推荐系统概述 北京信息职业技术学院 | 朱立 本文来自：大数据技术原理与应用——概念、存储、处理、分析与应用 作 者：林子雨 出版社：人民邮电出版社 版权说明 若作者对本资料使用持有异议，请及时联系本网站，我们将在第一时间妥善处理。 2 1. 什么是推荐系统 互联网的飞速发展使我们进入了信息过载的时代，搜索引擎可以帮助我们查找内容，但只能解决明确的需求 为了让用户从海量信息中高效地获得自己所需的信息，推荐系统应运而生。推荐系统是大数据在互联网领域的典型应用，它可以通过分析用户的历史记录来了解用户的喜好，从而主动为用户推荐其感兴趣的信息，满足用户的个性化推荐需求 2. 长尾理论 热门推荐是常用的推荐方式，广泛应用于各类网站中，如热门排行榜。但热门推荐的主要缺陷在于推荐的范围有限，所推荐的内容在一定时期内也相对固定 “长尾”概念于2004年提出，用来描述以亚马逊为代表的电子商务网站的商业和经济模式 电子商务网站销售种类繁多，虽然绝大多数商品都不热门，但这些不热门的商品总数量极其庞大，所累计的总销售额将是一个可观的数字，也许会超过热门商品所带来的销售额 2. 长尾理论 因此，可以通过发掘长尾商品并推荐给感兴趣的用户来提高销售额。这需要通过个性化推荐来实现 个性化推荐可通过推荐系统来实现。推荐系统通过发掘用户的行为记录，找到用户的个性化需求，发现用户潜在的消费倾向，从而将长尾商品准确地推荐给需要它的用户，进而提升销量，实现用户与商家的双赢 3. 推荐方法 推荐系统的本质是建立用户与物品的联系，根据推荐算法的不同，推荐方法包括如下几类： 专家推荐：人工推荐，由资深的专业人士来进行物品的筛选和推荐，需要较多的人力成本 基于统计的推荐：基于统计信息的推荐（如热门推荐），易于实现，但对用户个性化偏好的描述能力较弱 基于内容的推荐：通过机器学习的方法去描述内容的特征，并基于内容的特征来发现与之相似的内容 协同过滤推荐：应用最早和最为成功的推荐方法之一，利用与目标用户相似的用户已有的商品评价信息，来预测目标用户对特定商品的喜好程度 混合推荐：结合多种推荐算法来提升推荐效果 4. 推荐系统模型 一个完整的推荐系统通常包括3个组成模块：用户建模模块、推荐对象建模模块、推荐算法模块： 用户建模模块：对用户进行建模，根据用户行为数据和用户属性数据来分析用户的兴趣和需求 推荐对象建模模块：根据对象数据对推荐对象进行建模 推荐算法模块：基于用户特征和物品特征，采用推荐算法计算得到用户可能感兴趣的对象，并根据推荐场景对推荐结果进行一定调整，将推荐结果最终展示给用户 推荐系统基本架构 5. 推荐系统的应用 目前推荐系统已广泛应用于电子商务、在线视频、在线音乐、社交网络等各类网站和应用中 如亚马逊网站利用用户的浏览历史记录来为用户推荐商品，推荐的主要是用户未浏览过，但可能感兴趣、有潜在购买可能性的商品 亚马逊网站根据用户的浏览记录来推荐商品 5. 推荐系统的应用 推荐系统在在线音乐应用中也逐渐发挥作用。音乐相比于电影数量更为庞大，个人口味偏向也更为明显，仅依靠热门推荐是远远不够的 虾米音乐网根据用户的音乐收藏记录来分析用户的音乐偏好，以进行推荐。例如，推荐同一风格的歌曲，或是推荐同一歌手的其他歌曲 虾米音乐网根据用户的音乐收藏来推荐歌曲