详情
咨询意义与场景
1.1个性化推荐系统概述互联网信息的三大入口：推荐系统、搜索引擎、社交媒体
推荐系统的核心仸务是联系用户和信息。一方面帮劣用户収现对自己有价值的信息；另一方面帮劣信息呈现在感兴趣的用户面前。从而实现信息消费者和信息生产者的双赢
在大数据的社会背景下，所谓个性化推荐就是根据用户的兴趣特点和购买行为，向用户推荐感兴趣的信息和商品。在当前Web 2.0时代，随着电子商务规模的不断扩大，商品数量和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品，出现了所谓的信息超载（Information Overload）问题。为了解决这个难题，个性化（Personalized）推荐系统（Recommender System）应运而生。个性化推荐系统通过分析用户的行为，发现用户的个性化需求、兴趣等，然后将用户感兴趣的信息、产品推荐给用户。推荐系统主要依赖于数据挖掘（Data Mining）和机器学习（Machine Learning）的算法。
以Google、百度为代表的搜索引擎可以让用户通过输入关键词找到自己需要的相关信息。但是，如果用户无法想到准确描述自己需求的关键词，此时搜索引擎就无能为力了。和搜索引擎不同，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为来对用户的兴趣进行建模，从而主动给用户推荐可满足他们兴趣和需求的信息。因此，搜索引擎和推荐系统对用户来说是两个互补的工具，前者需要用户“主动出击”，后者则让用户“被动笑纳”。
推荐系统现已广泛应用于很多领域，其中典型并具有良好的发展应用前景的领域就是电子商务领域。推荐系统可认为是一种特殊形式的信息过滤（Information Filtering）系统，主要有“协同过滤推荐”、“基于内容的推荐”、“基于关联规则的推荐”、“基于知识推理的推荐”、“组合推荐”这几种智能算法。
如果推荐系统根据用户的历史兴趣来给用户做推荐，那么这种方法被称为“协同过滤推荐”（Collaborative Filtering Recommendation）算法。协同过滤是基于这样的原理：首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想易于理解，在日常生活中，我们往往会通过好朋友的推荐来进行一些选择，如音乐、电影等。协同过滤实际上是通过人与人之间的合作来过滤掉不良信息，因此协同过滤也叫社会过滤（social collaborative filtering）。
基于关联规则的推荐以关联规则为基础，分析用户已经选择的项目与未选择项目之间的关联性得出最后的推荐结果。关联规则推荐的典型例子是购物篮分析，该推荐方法通过发现顾客放入其购物篮中不同商品之间的联系，分析顾客的购买习惯。例如买面包的顾客，还会购买牛奶。通过了解哪些商品频繁地被顾客同时购买，可以把相关的产品摆在一起，达到促销的目的。
基于知识推理的推荐是数据挖掘技术在个性化推荐系统中的应用，它不参考用户对于项目的偏好，而是依据某种知识或者推理来进行推荐。例如，如果用户喜欢冲洗大照片，那么高分辨率相机会对其更有吸引力。具体地，通过对数据库中数据进行分析，发现信息中隐含的有价值的知识，或者在用户和待推荐对象之间构建推理，来进行推荐。此外，基于知识推理的推荐系统还可不断学习用户对推荐的反馈情况，从而达到更高的推荐质量。
除此以上这些，还有基于信任网络的推荐系统、上下文感知推荐系统、基于网络结构的推荐等等。由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。比如分别用基于内容推荐方法和协同过滤推荐方法去产生一个推荐预测结果，然后用某方法组合其结果，以弥补各推荐技术的弱点。判断一个推荐系统的优劣主要有以下评价指标：准确度（Accuracy，包括预测准确度、分类准确度、排序准确度）、覆盖率（Coverage），惊喜性（Serendipity）、新颖性（Novelty）、多样性、用户满意度等。
推荐系统的早期研究主要集中在静态用户行为分析领域，即不考虑用户行为发生的时间，而仅仅研究用户行为中与时间无关的静态模式。近年来，很多研究人员转向研究推荐系统的动态特性，主要包括用户兴趣变化的动态模型，基于时间上下文的推荐等问题。例如一部电影刚上映的时候可能会被很多人关注，但过了几个月后人们逐渐不再感兴趣，所以这时就不能再把它放在醒目的位置，即使这部电影的评价很高、用户的兴趣跟它很相关。
推荐系统可以更好地发掘信息的长尾（Long Tail）。在传统零售超市里，热门的少数商品往往摆在醒目的位置，而大量的冷门商品则放在货架的某个角落，很难让人注意到。但在电子商务时代，借助于个性化推荐系统，这些冷门商品也终于可以扬眉吐气、主动被推送到感兴趣用户网页的醒目位置。
传统的协同过滤推荐技术在大数据环境下存在一定的不足。针对该问题,提出了一种基于云计算技术的个性化推荐方法:将大数据集和推荐计算分解到多台计算机上并行处理。在对经典Item CF算法Map Reduce化后,建立了一个基于Hadoop开源框架的并行推荐引擎,并通过在已商用的英语训练平台上进行学习推荐工作验证了该系统的有效性。实验结果表明,在集群中使用云计算技术处理海量数据,可以大大提高推荐系统的可扩展性。
1.2定义
推荐系统(Recommender System)的发展已经经历了近 20 年的时间，但是迄今为止仍没有人试图对推荐系统给出一个定义。
广义上的推荐系统可以理解为是主动向用户推荐物品(Item)的系统，所推荐的物品可以是音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等，这依赖于具体的应用领域，推荐系统所推荐的物品或者对用户有帮助，或者用户可能感兴趣。随着电子商务规模的不断扩大，商品数量和种类不断增长，用户对于检索和推荐ᨀ出了更高的要求。由于不同用户在兴趣爱好、关注领域、个人经历等方面的不同，以满足不同用户的不同推荐需求为目的、不同人可以获得不同推荐为重要特征的个性化推荐系统(Personalized Recommender System)应运而生。目前所说的推荐系统一般指个性化推荐系统。
狭义上的个性化推荐系统可以定位根据用户的特征属性，主动向用户推荐用户刚兴趣得到信息，这些信息包括音乐、书籍、餐厅、活动、股票、数码产品、新闻条目等等。
....