推荐技术简介

转载请标明出处：http://blackwing.iteye.com/blog/2231556

根据项亮《动态推荐系统关键技术研究》的分类方式，可以根据使用数据来把推荐技术分成以下两类：

[size=medium][b]1.按使用数据分类：[/b][/size]

协同过滤
内容过滤
社会化过滤
基于人口信息的过滤
机遇地理信息的推荐


[size=medium][b]2.按模型分类：[/b][/size]

领域模型
矩阵分解模型
图模型

受限于数据获得的难易程度，一般用户行为数据较为容易获取，所以也导致协同过滤相关推荐算法的流行。

项亮表示，凡是使用了用户行为数据进行运算的都可以归类为协同过滤算法，经典的有user-based协同过滤和item-based协同过滤。
亚马逊把item-based算法发扬光大，它优点是效果不错，而且可以做推荐解析。

但每一种推荐算法，都有其适用场合，所以目前成熟的推荐系统，几本都属于混合型推荐系统。混合型推荐系统的核心思想，是融合多种推荐算法，使其取长补短。


《Hybrid Recommender Systems Survey and Experiments》这篇论文对混合推荐系统做了研究，列出了推荐系统的混合方式：

Weighted 加权融合
Switching 开关切换融合
Mixed 混合融合
Cascade 串联融合
Feature combination 特征组合融合
Feature augmentation 特征增益融合
Meta-level

推荐系统的开发框架，以下摘自《推荐系统实践》

[img]http://dl2.iteye.com/upload/attachment/0110/5722/e7935b9f-3dda-3d1b-8394-9fccb824dc24.png[/img]

一个推荐系统，一般分为离线部分、在线部分。而其中的“推荐解释”模块，则并不是每个算法都适合，有些算法是做不了推荐解释的，例如基于矩阵分解的推荐算法。


以下是我们的推荐系统架构图


[img]http://dl2.iteye.com/upload/attachment/0110/5724/3b8b624e-df63-3bf6-a6bd-952419a0bf74.png[/img]

由离线层、半实时层、实时层构成。由于要处理大数据，一般使用的技术都是hadoop、spark、hbase、storm、redis、mahout等。

以item-based协同过滤为例，一般整个个性化推荐的流程如下：

1. 读取用户行为数据，进行抽取清理
2. 根据清理后的行为数据，算出任意两两item的相似度
3. 根据业务需要，截取N个与某item最相似的相关item，写入持久化存储，例如hbase
4. 上层web程序，根据user的历史观看记录，找出3中算好的与user历史记录中看过的item相似的item返回界面展示

简单说，就是根据用户历史行为，找其历史记录中相似的item。