大数据应用场景之个性化推荐.pptxVIP

大数据应用场景之-个性化推荐01 目录CONTENTS021个性化推荐概述2推荐系统与长尾理论3推荐机制4推荐机制 PART 01 个性化推荐概述推荐系统的主要任务就是联络顾客和信息，一方面帮助顾客发觉对自己有价值的信息，另一方面让信息能够展目前对它感爱好的顾客面前，从而实现信息消费者和信息生产者的双赢。03 推荐系统产生的原因04信息过载互联网规模和覆盖面的迅速增长带来了信息过载问题：过量信息同步呈现使得顾客无法从中获取对自己有用的信息，信息使用效率反而降低。 推荐系统和搜索引擎的异同05搜索引擎获取信息需要顾客能够精确描述自己需求的关键词推荐系统不需要顾客提供明确的需求，而是经过分析顾客的历史行为来对顾客的爱好进行建模搜索引擎和推荐系统对顾客来说是两个互补的工具，前者需要顾客“主动出击”，后者则让顾客“被动笑纳”。 什么是推荐系统06推荐系统是自动联络顾客和物品的一种工具，经过研究顾客的爱好爱好，进行个性化推荐。每个顾客所得到的推荐信息都是与自己的行为特征和爱好有关，而不是笼统的大众化信息。推荐系统经过研究顾客的爱好点，帮助顾客从海量信息中去发掘自己潜在的需求。推荐引擎已经在电子商务（例如Amazon，当当网）和某些基于社会化站点（涉及音乐，电影和图书分享，例如豆瓣，Mtime 等）都取得很大的成功。 推荐系统和搜索引擎的异同07搜索推荐注重结果（如网页）之间的关系和排序还研究用户模型（user profile）和用户的喜好，基于社会网络（social network）进行个性化的计算（personalization）由用户主导，包括输入查询词和选择结果，结果不好用户会修改查询再次搜索由系统主导用户的浏览顺寻，引导用户发现需要的结果。高质量的推荐系统会使用户对该系统产生依懒性。推荐系统不仅能够为用户提供个性化的服务，而且能够与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失。 搜索引擎的工作原理08 推荐系统的工作原理09推荐引擎利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感爱好的顾客。 PART 02 推荐系统与长尾理论10长尾理论是网络时代兴起的一种新理论。因为成本和效率的原因，当商品储存、流通、展示的场地和渠道足够广阔，商品生产成本急剧下降以至于个人都能够进行生产，而且商品的销售成本急剧降低时，几乎任何此前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，能够和主流产品的市场份额相当，甚至更大。 长尾理论11长尾理论就是只要存储和流通的渠道足够大，需求不旺或销量不佳的产品共同占据的市场份额就能够和那些数量不多的热卖品所占据的市场份额相匹敌甚至更大。经典的情况是只有少数产品销量较高，其他多数产品销量很低。老式的20/80定律关注其中红色部分，觉得20%的品种带来了80%的销量，所以应该只保存这部分，其他的都应舍弃。长尾理论则关注蓝色的长尾巴，觉得这部分积少成多，能够积累成足够大、甚至超出红色部分的市场份额。 互联网企业销售适合长尾理论12长尾理论统计的是销量，并非利润，所以，管理成本是其中最关键的原因超市是经过降低单品销售成本，从而降低每个品种的止亏销量，扩大销售品种。为了吸引顾客和营造货品齐全的形象，超市甚至能够承受亏损销售某些商品，但迫于仓储、配送的成本，超市的承受能力是有限的互联网企业能够降低单品销售成本。因为没有真正的库存，而网站流量和维护费用远比老式店面低，所以能够极大地扩大销售品种假如互联网企业销售的是虚拟产品，则支付和配送成本几乎为0，能够把长尾理论发挥到极致互联网企业销售，尤其是虚拟产品销售，适合长尾理论 推荐系统与长尾理论13要使长尾理论更有效，应该尽量增大尾巴，也就是降低门槛，制造小额消费者使用长尾理论必须谨慎，确保任何一项成本都不随销量的增长而激增推荐系统对长尾理论的作用推荐系统的一大优势就是能够经过挖掘顾客的行为统计，找到顾客的个性化需求，发觉顾客潜在的消费倾向，从而把长尾商品精确地推荐给需要它的顾客，帮助顾客发觉那些他们感爱好但却难发觉的商品，实现顾客与商家的共赢。 PART 03 推荐机制大部分推荐引擎的工作原理是基于物品或者顾客的相同集进行推荐，所以能够根据不同的数据源发觉数据有关性的措施对推荐机制进行分类。14 推荐机制15大部分推荐引擎的工作原理是基于物品或者顾客的相同集进行推荐，所以能够根据不同的数据源发觉数据有关性的措施对推荐机制进行分类：基于人口统计学的推荐： 根据系统顾客的基本信息发觉顾客的有关程度；基于内容的推荐： 根据推荐物品或内容的元数据，发觉物品或者内容的有关性；基于协同过滤的推荐： 根据顾客对物品或者信息的偏好，发觉物品或者内容本身的有关性，或者是发觉顾客的有关性。 推荐机制——基于人口统计学的推