推薦系統篇推薦系統介紹和基本架構流程

一、前述

常用的推薦方法有兩個，分別是基於物品的推薦和基於使用者的推薦。

基於使用者的推薦原理是：跟你喜好相似的人喜歡的東西你也很有可能喜歡（userbasecf）。

基於物品的推薦原理是：跟你喜歡的東西類似的東西你也可能喜歡（itembasecf）。

我們這裡用到的是itembasecf，本質是依據特徵找使用者喜好規律。

本專案基於隱式的使用者反饋。

二、協同過濾演算法詳述

結論：對於使用者a，根據使用者的歷史偏好，這裡只計算得出乙個鄰居使用者c，然後將使用者c喜歡的物品d推薦給使用者a

結論：基於使用者的推薦（長虛線）---1和5比較相似，5買了104商品，所以把104推薦給使用者1。

基於物品的推薦（短虛線）---101物品和104物品比較相似，所以當使用者買了101，把104也推薦給他。

三、lambda架構（所有推薦系統的父架構）

四、本文系統架構

2.生成特徵索引（實際上是乙個文字檔案）的原因是格式化測試資料，也是相當於降維，當乙個userid進來時找到推薦服務，然後通過服務路由去查詢hbase中的資料，並根據特徵索引來取對應的特徵，所以這一步相當於乙個降維。

線上架構（測試集架構）：

關聯特徵：儲存的是同現矩陣。

問題：

五、需求分析（架構推薦方案）

1、資料清洗（得到訓練資料）

2、演算法建模（得到模型結果）

3、模型使用（得到推薦結果）

4、結果評估（推薦結果評估）

推薦系統篇 推薦系統介紹和基本架構流程