大数据——个性化推荐系统

要知道什么是个性化推荐系统，那么就要先了解什么是推荐系统：

• 什么是推荐系统

推荐系统就是利用电子商务网站或APP向客户提供商品信息和建议，有意地引导用户的意向，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成整个购买过程。而个性化推荐系统是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和物品，使用户产生购买的意向。如果这些你对没有一个确切的概念，那么说购物网站上面每次所向你一些你从来没买过的物品，你就很清晰了。

为什么会出现推荐系统？

• 信息过载问题

主要是由于现在这个信息爆炸时代，信息过多，使得用户无法从大量信息中无法获得对自己有用的信息，对信息的使用降低。

• 长尾问题

冷门商品的经济汇聚起来，可与主要商品的经济相匹敌。

推荐系统的组成：

用户建模模块、推荐对象模块、推荐算法模块

• 个性化推荐系统的主要推荐算法

什么是协同过滤?

利用兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，对信息的回应来帮助别人筛选信息，以达到过滤的目的。

个性化推荐系统分别是以下规则所构成的，分别为：

• 基于物品的协同过滤

搜集购物篮数据——根据物品相似度模型——根据物品相似度推荐

举例：如果A用户购买了书籍与衣服，B用户购买了书籍、衣服、手机，现在C用户只购买了书籍，那么便会给用户C推荐衣服。

优点：在基于用户的基础上进行的改良，物品的机制比用户的机制更为准确

缺点：需要有历史数据，不够灵活。

• 基于用户的协同过滤

根据用户的偏好模型——找到相似用户群——根据相似用户推荐

举例：假若A用户喜欢街舞和书籍以及音乐，B用户喜欢书籍与音乐，那么便会给B用户推荐街舞。

优点：可能会发现用户的潜在兴趣，对用户分类更为准确。

缺点：对新用户有冷启动问题，用户数据过大，对用户的喜好需要实时更新。

• 基于内容的推荐

根据物品信息建模——计算物品的相似度——根据相似物品推荐

举例：假若A用户喜欢看小说a，小说a为玄幻小说，那么便会推荐其余玄幻小说给用户A。

优点：不需要其他用户的数据，只需要用户自己本身的数据，不存在数据的冷启动问题及稀疏问题。

缺点：需要对物品进行分析建模，依赖物品的完整程度，不考虑用户的喜好。

• 基于人口统计学的推荐

根据用户信息进行建模——计算用户的相似度——根据相似用户推荐

举例：如果A用户购买了商品a,根据A用户的隐私信息，如果B用户的隐私信息和A用户重叠，那么便会推荐商品a给用户B。

优点：不需要当前用户对物品喜好的历史信息，不依赖物品本身。

缺点：需要收集用户的一些敏感信息，分类比较粗糙，无法对一些如电影或音乐进行建模。还有用户的信息有可能会变更。