基于Spark实现推荐算法-1:推荐算法简介

个性化推荐系统简介

个性化推荐系统的定义在 1997 年由 Resnick 和 Varian 提出:利用互联网向用户提供信 息和建议，帮助用户选择产品，或模拟售货员帮助用户完成购买行为的系统 。通常推荐 由三个要素组成:推荐算法、用户、候选推荐项目。简单来说，一次推荐过程就是推荐算 法从候选推荐项目中挑出某些项目给用户。

目前个性化推荐系统已经在电子商务、视频、音乐、新闻、博客等领域得到了广泛应 用。通常这些领域的网站和应用会推荐若干商品或者作品给用户，这些推荐项目通常以“猜 你喜欢”、“购买此商品的顾客也同时购买”、“相似的商品”等形式出现，所推荐的物品便 是推荐系统通过推荐算法从海量物品中挑选出的。由于推荐系统会根据用户的历史行为数 据给出因人而异的推荐结果，所以称之为个性化推荐。

一套完整的个性化推荐系统通常包括用户信息收集、推荐模型计算、推荐结果展示三 个部分。个性化推荐系统首先收集用户的网络操作行为——如浏览、评分、购买等，将这 些行为数据存储到数据仓库中。然后通过机器学习、数据挖掘等相关技术来对这些数据进 行分析，更进一步可以从这些历史数据中学习用户的兴趣爱好，运行推荐算法生成推荐模 型。有了推荐模型，便可以为用户提供个性化的推荐服务，实现主动推荐的目的。个性化 推荐技术可以充分提高信息系统或者站点的服务质量和使用效率，从而吸引更多的用户 。

个性化推荐系统的输入数据可以有多种来源途径，通常分为显示输入和隐式输入两种 类型。显示输入是指用户明确表达喜好的行为，例如给电影评分、给微博点赞、购物后给 予好评或差评等。隐式输入则一般是非特意的行为，如浏览商品详情页面、查看电影评价、 搜索关键词等，这些行为并不代表用户喜欢或讨厌某个物品，但是推荐系统能够从中挖掘 出用户的兴趣信息。

个性化推荐系统的输出也是多样化的，有各种各样的形式。最常见的是推荐列表形式，
如亚马逊等