大数据推荐系统《猜你喜欢》.pdfVIP

课程介绍 课程内容 1、业务需求  某电商网站首页有猜你喜欢推荐位，该推荐位一次能展示6个商品，推荐内容可以更换四次， 共需推荐24个商品。  需要使用协同过滤算法 （userCF& ItemCF）及基于物品内容的算法进行混合推荐。  一次性展示的6个商品中，从左到右的顺序分别是： o 第一位：基于物品的实时推荐结果 o 第二位：基于用户的离线推荐结果 o 第三位：基于物品的离线推荐结果 o 第四位：基于内容的实时推荐结果 o 第五位：基于物品的实时推荐结果 o 第六位：基于用户的离线推荐结果  如有业务需要推广产品，可以指定推广产品出现在某一个位置上。如下图，在第一位上硬推 某产品。 2、需求分析  大型网站的推荐位不仅仅只有一个，需要对每个广告位进行编号， 比如猜你喜欢的广告位编号是121  每个推荐位是一个独立的推荐产品，需要对每个广告位开发独立 的推荐模型  每个推荐位需要配置特有的推荐规则和排序规则  为了容错，每个推荐位都需要默认的推荐产品，当推荐系统无法 计算正常的结果时，使用默认产品进行推荐。  各个推荐模型推送的商品可以能重复和下线的商品，需要对商品 进行进行去重和过滤处理  推荐结果计算完毕之后，将硬推广告放进去。 3、数据准备  为用户guyong 准备基于用户的推荐结果  为用户guyong 准备基于物品的推荐结果，该结果基于用户上一 次的浏览记录生成  准备物品与物品的相似度数据--基于物品的相似度推荐  准备物品与物品的相似度数据 基于内容的相似度推荐  为广告位 （猜你喜欢）121 准备默认的推荐结果  初始化所有的商品信息 4、功能实现分析  1）用户在商城浏览商品，将用户的浏览记录保存到Cookie，随 着用户的请求传送给推荐服务接口。推荐服务接收到用户的基本 信息和浏览信息。 另一种思路，可以通过消费点击流日志，将用户的行为保存到 Redis 中，推荐服务通过访问Redis 获取用户的行为记录。  2）推荐接口从用户的基本信息中获取到三种推荐结果（离线结果） o 基于历史数据，计算的基于用户的协同过滤的推荐结果，推荐数量 24。 o 基于用户上一次行为记录，计算的基于物品的协同过滤推荐结果， 推荐数量24。这里根据用户对某一个商品的浏览次数进行加权。 o 基于用户上一次行为记录，计算的基于内容的推荐结果，推荐数量 24。这里根据用户对某一个商品的浏览次数进行加权。  3）推荐接口从用户的浏览信息中获取用户当前会话的的行为记录， 并以此计算基于物品和基于内容的实时推荐结果 o 基于用户本次会话的记录，计算基于物品的推荐结果，推荐数量为 24 o 基于用户本次会话的记录，计算基于内容的推荐结果，推荐数量为 24。  4）对以上的反馈的推荐结果进行排序，排序的过程中对商品去重 o 按照业务需求对结果排序，第一位是基于物品的实时推荐结果，依 次类推。在排序的过程汇中，需要对推荐的商品进行排序。 o 推荐结果生成完毕之后，对整体的推荐结果的产品数量进行补全和 删除操作。补全使用该推荐位的默认推荐产品进行补全。  5）设置业务人员强推的商品，根据业务人员指定的商品序号，替 换掉推荐结果中对应序号的推荐商品。 注：整体思路如此，后续推荐模型可以持续进行优化，包括对推荐结果进行 加权。 5、产品原型设计 产品经理进行原型设计 6、项目开发 6.1、整体架构 1）数据平台：在数据平台上，针对每个用