基于阿里云云起实验室的推荐系统入门之使用协同过滤实现商品推荐

最新推荐文章于 2024-03-11 00:08:51 发布
最新推荐文章于 2024-03-11 00:08:51 发布
阅读量540 收藏
点赞数
分类专栏： 阿里进阶训练营 文章标签： laravel php 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39706369/article/details/123297750
版权
该博客介绍了如何在阿里云PAI Studio中进行推荐系统实践，通过四步创建并运行实验，利用协同过滤算法实现商品推荐。首先开通机器学习服务，然后创建PAI Studio项目，接着创建实验并选用推荐算法模板。实验数据包括cf_训练_data和cf_结果_data，运行实验后查看join-1、全表统计-1和全表统计-2节点的数据，以获取商品推荐结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在线实验地址：推荐系统入门之使用协同过滤实现商品推荐

今天带大家来体验下推荐系统入门之使用协同过滤实现商品推荐在这里插入图片描述

第一步：开通机器学习PAI服务

阿里云官网
在这里插入图片描述在这里插入图片描述在这里插入图片描述

在这里插入图片描述

在这里插入图片描述在这里插入图片描述在这里插入图片描述

第二步：创建PAI Studio项目

2.1. 在控制台左侧导航栏，单击可视化建模（Studio）。
在这里插入图片描述2.2.在PAI Studio页面单击创建项目。
在这里插入图片描述

2.33. 在右侧弹出的创建项目页面，MaxCompute选择按量付费，填入项目名称，然后单击确定。
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

第三步：创建实验

3.1. 单击左侧导航栏的首页
在这里插入图片描述
3.2. 在模板列表找到【推荐算法】商品推荐，然后单击从模板创建
在这里插入图片描述
3.3. 在弹出的新建实验框，单击确定在这里插入图片描述

第四步：查看实验数据

4.1. 右键单击cf_训练_data节点，然后单击查看数据
在这里插入图片描述
4.2. 右键单击cf_结果_data，然后单击查看数据在这里插入图片描述

第五步：运行试验

5.1. 单击左上角运行在这里插入图片描述
5.2. 请耐心等到3~5分钟，实验运行完成如下所示在这里插入图片描述

第六步：查看实验结果

6.1. 右键单击join-1节点，然后单击查看数据在这里插入图片描述
6.2. 单击全表统计-1节点，然后单击查看数据在这里插入图片描述
6.3. 单击全表统计-2节点，然后单击查看数据
在这里插入图片描述

基于协同过滤算法的商品推荐
qq_15151627的博客
12-08 1051
基于协同过滤算法的商品推荐hadoop框架介绍搭建高可用分布式集群基于协同过滤的商品推荐（具体实现） hadoop框架介绍 搭建高可用分布式集群 基于协同过滤的商品推荐（具体实现）
阿里云 大数据 推荐系统
likika2012的专栏
04-12 8294
鉴于本小弱非数据挖掘出身，只是在coursera上跟过Ng的机器学习，估计最后做一个regression再上一个协同过滤就到极限了，就不去争名次了。写一些step by step 的入门东西，帮助感兴趣的新手快速入手，希望大家可以快速的参与进比赛来，如果真的有帮助到某个同学的话，那就苟富贵勿相忘了。 首先扫一眼数据发现时间那一列居然是中文，先转成可处理的日期格式，就假设数据是13年的好了。
阿里云推荐引擎使用教程
京庐空间
09-12 1787
课程介绍 数加推荐引擎全力支持新闻资讯、短视频、直播、电商、社交、音乐、在线教育等众多推荐业务，为各类APP、网站以及其他业务提供高质量的个性化推荐服务。 产品详情：https://data.aliyun.com/product/re 课时列表 课时1：推荐引擎-如何添加云资源 课时2：推荐引擎-如何创建推荐业务 课时3：推荐引擎-如何创建测试场景 课时4：推荐引擎-如何配置数据
阿里云-零基础入门推荐系统 【Baseline】
weixin_42504788的博客
03-11 1428
阿里云-零基础入门推荐系统 【Baseline】
冬季实战营第五期轻松入门学习大数据完整版PDF最新版本
11-20
云起冬季实战营是由阿里云云起实验室推出的一个云上学习活动，此次实战营共有五期冬季实战，从入门到进阶，以最佳实践帮助开发者，快速云上实践，...动手实战--推荐系统入门之使用协同过滤实现商品推荐 31 用户反馈 46
基于 阿里云 RDS PostgreSQL 打造实时用户画像推荐系统
weixin_34007906的博客
12-01 594
标签 PostgreSQL , 实时推荐系统 , 用户画像 , 标签 , TAG , 比特位 背景 用户画像在市场营销的应用重建中非常常见，已经不是什么新鲜的东西，比较流行的解决方案是给用户贴标签，根据标签的组合，圈出需要的用户。 通常画像系统会用到宽表，以及分布式的系统。 宽表的作用是存储标签，例如每列代表一个标签。 但实际上这种设计不一定是最优或...
阿里云-使用MaxCompute构建好友推荐系统
someInNeed的博客
06-10 397
应用场景 MapReduce经常用于如下商业场景： 搜索：网页爬取、倒排索引、PageRank。 Web访问日志分析：分析和挖掘用户在web上的访问、购物行为特征，实现个性化推荐；分析用户访问行为。 文本统计分析：比如莫言小说的WordCount、词频TFIDF分析；学术论文、专利文献的引用分析和统计；维基百科数据分析等。 海量数据挖掘：非结构化数据、时空数据、图像数据的挖掘。 机器学...
个性化广告推荐系统（实战）-1-协同过滤篇
putdoor的博客
05-05 4913
一. 数据集介绍与实现分析 1. 数据集介绍 本项目使用天池数据集，淘宝广告展示/点击数据集 – Ad Display/Click Data raw_sample 淘宝网站中随机抽样了114万用户8天内的广告展示/点击日志（2600万条记录）构成原始的样本数据: 字段 描述 user_id 脱敏过的用户ID adgroup_id 脱敏过的广告单元ID time_stamp ...
自学记录：阿里云天池推荐系统实践 - 融合排序
一専的博客
12-06 316
LGB算法 基于Histogram的决策树算法 Histogram algorithm为直方图算法，直方图算法的基本思想是：先把连续的浮点特征值离散化成 K K K个整数，同时构造一个宽度为 K K K的直方图。在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。 首先确定对于每一个特征需要多少个箱子（bin）并为每一个箱子分配一个整数；然后将浮点数的范围均分成若干区间，区间个数与箱子个数相等，将属于该箱子
三步在阿里云上面搭建一套个性化推荐系统
数据库技术
07-06 549
背景信息 互联网时代个性化推荐已经渗透到人们生活的方方面面，例如常见的“猜你喜欢”、“相关商品”等。互联网能够对用户投其所好，向用户推荐他们最感兴趣的内容，实时精准地把握用户兴趣。目前很多成功的手机APP都引入了个性化推荐算法，例如，新闻类的有今日头条新闻客户端、网易新闻客户端、阿里UC新闻客户端等；电商类的有拼多多、淘宝、天猫等。分析型数据库PostgreSQL版推出的向量分析可以帮助您实现上述个性化推荐系统。 个性化推荐系统概述 以个性化新闻推荐系统为例，一篇新闻包含新闻标题、正文等内容，可以..
阿里云机器学习平台使用——协同过滤推荐算法快速应用
weixin_33895016的博客
04-13 731
标签： 数加 概述 PAI机器学习平台是构建在阿里云ODPS计算平台之上，集数据处理、建模、离线预测、在线预测为一体的机器学习平台。 该平台为算法开发者提供了丰富的MPI、PS、BSP等编程框架和数据存取接口，同时为算法使用者提供了基于Web的IDE+可视化实验搭建控制台。平台目前整合了阿里集团内最先进的算法，为用户提供算法服务。 今天做了一件事情来体...
基于 PAI 搭建企业级个性化推荐系统 最佳实践
数据挖掘爱好者
04-26 635
本方案结合阿里云 PAI 团队预置的基础版算法方案为例，演示如何以阿里云提供的数据、AI 类产品为基础，离线部分采用Maxcompute&Dataworks&PAI的大数据&AI体系，在线服务采用推荐引擎 PAI-REC、A/B 测试系统 PAI-A/B、在线模型服务 PAI-EAS、在线数据服务 Hologres，并通过 PAI-REC 运维与实验操作平台，利用阿里云云速搭 CADT，快速从 0 到 1 搭建一套高效、精准、易用、可扩展的智能推荐系统。⚫ 简单易用：SQL语言，在线开发，全面支持UDX。
（3）阿里PAI_基于协同过滤的商品推荐
weixin_30895603的博客
10-08 171
这个视频只是简单的吧PAI的使用简单的介绍了一遍。 了解什么是CF、ICF、UCF 转载于:https://www.cnblogs.com/shangshuai/p/7637278.html
推荐系统入门之使用协同过滤实现商品推荐
gangyikeji的博客
03-11 715
简介 场景将使用机器学习PAI平台，指导您搭建一个基于协同过滤算法的商品推荐系统。 背景知识 数据挖掘的一个经典案例就是尿布与啤酒的例子。尿布与啤酒看似毫不相关的两种产品，但是当超市将两种产品放到相邻货架销售的时候，会大大提高两者销量。很多时候看似不相关的两种产品，却会存在这某种神秘的隐含关系，获取这种关系将会对提高销售额起到推动作用，然而有时这种关联是很难通过经验分析得到的。这时候我们需要借助数据挖掘中的常见算法-协同过滤来实现。这种算法可以帮助我们挖掘人与人以及商品与商品的关联关系。 协同过滤算法是一种
数据分析2-淘宝用户行为分析_阿里云天池（SQL+Excel+Tableau）
Amy的博客
04-24 2541
淘宝用户行为分析项目背景明确分析的目的数据处理数据清洗重复数据处理缺失数据处理逻辑错误处理数据转化数据提取数据分析用户日活跃和周活跃有什么规律吗？每日的新增用户如何当日活跃用户的次日留存，三日留存怎么样？用户从浏览到购买的整体转化率怎么样用户从浏览到购买的路径什么样？点击->直接购买点击->加购不收藏->购买点击->收藏不加购->购买点击->收藏且加购->购买平台主要给用户推送什么商品？用户喜欢什么样的商品？怎么判断哪些是高价值用户 ？ 项目背景 UserBehav
实战整理-阿里天池淘宝用户购物行为数据集实战（MySQL数据分析+Navicat）
weixin_57622629的博客
10-28 5813
阿里天池淘宝用户购物行为数据集实战（Mysql数据分析）
自学记录：阿里云天池推荐系统实践 - 多路召回
一専的博客
11-30 1221
关于多路召回 多路召回是指采用不同的策略、特征或者简单模型，分别召回一部分候选集，然后再把这些候选集混合在一起供后续排序模型使用的策略。 关于为啥要采用多路召回，是因为在召回的时候，计算速度和召回率这两会互相矛盾，若想要提高计算速度就要简化召回策略，而简化召回策略往往会使召回率下降，同理，若想要提高召回率的话就必须得使用复杂的召回策略，这时计算速度又会相应降低了。我们要鱼和熊掌兼得，就得权衡两者，故采用多个简单召回策略叠加的多路召回策略。 如图为多路召回示意图，在多路召回中，每个策略直接相互独立，并发多线
阿里云配置linux服务器
最新发布
03-20
<think>好的，我现在需要帮助用户了解如何在阿里云上配置Linux服务器，特别是针对Python环境。首先，用户提到了阿里云的云起实验室和之前的配置经验，还有Docker的问题。我应该从基础开始，分步骤讲解配置流程，确保用户能跟上。 首先，用户可能刚接触阿里云，需要指导如何选择实例。阿里云提供了多种实例类型，比如共享型、计算型等。对于学习环境，轻量应用服务器可能更合适，价格低且配置足够。我应该提醒用户注意选择CentOS 7或Ubuntu这类稳定且支持良好的系统，因为用户提到CentOS 8已经停服，导致Docker安装问题。 接下来是连接到服务器。用户可能需要使用SSH工具，比如PuTTY或者Xshell，或者直接通过阿里云的控制台登录。这里需要详细说明如何获取公网IP和设置密码，确保用户不会卡在这一步。 然后是系统更新和基础工具安装。使用yum或apt更新系统，安装常用工具如wget、vim等。这部分比较基础，但关键，避免后续步骤出现问题。 安装Python环境。用户可能已经有一些经验，但之前安装混乱。建议使用yum先安装Python 3，然后配置虚拟环境。或者推荐使用Miniconda来管理Python版本和依赖，这样更干净。需要提到如何下载和安装Miniconda，以及创建虚拟环境。 配置安全组规则。用户如果需要运行Web应用，必须开放端口，比如80、443，或者SSH的22端口。这部分容易被忽略，导致应用无法访问，所以需要强调。 最后，提到Docker安装的问题。因为CentOS 8已不支持，建议用户换用CentOS 7或Ubuntu，并按照官方文档安装Docker。同时，可以推荐使用Docker Compose来管理容器。 用户可能遇到的问题包括系统版本选择、依赖项安装、权限问题等，需要提前给出提示，比如使用sudo命令，或者如何解决依赖冲突。此外，参考资料中的云起实验室可以作为实验环境，用户如果本地配置不足，可以使用阿里云的资源。 现在要确保回答结构清晰，分步骤，每个步骤有解释和示例命令。同时，按照用户要求，行内数学公式用$...$，独立公式用$$...$$，不过配置服务器可能数学公式较少，但如果有涉及的地方需要注意。引用部分要自然添加在末尾，比如云起实验室的引用。 可能还需要生成相关问题，比如如何选择实例规格，如何配置安全组，Python虚拟环境的使用，或者Docker安装的具体步骤等。这些问题要围绕用户的需求展开，帮助他们深入理解后续步骤。</think>### 阿里云 Linux 服务器配置教程（Python环境） 以下是基于阿里云服务器配置Linux环境的分步指南，适用于学习、开发和部署Python项目： --- #### **1. 选择服务器实例** - **实例类型**：新手推荐选择 **轻量应用服务器**（2核4G，性价比高）或 **共享型实例**（低成本学习）[^1]。 - **系统镜像**：建议选择 **CentOS 7.9** 或 **Ubuntu 22.04**（避免使用已停服的CentOS 8）[^2]。 - **网络配置**：分配公网IP并设置安全组（开放SSH端口22）。 --- #### **2. 连接到服务器** - **SSH连接**（以本地终端为例）： ```bash ssh root@<公网IP地址> # 输入初始密码或密钥 ``` - **首次登录后**：立即修改密码并创建新用户（非必需但更安全）： ```bash passwd root # 修改root密码 adduser devuser # 创建新用户 usermod -aG sudo devuser # 赋予sudo权限 ``` --- #### **3. 系统更新与基础工具** ```bash # CentOS yum update -y # 更新系统 yum install -y wget vim git zip unzip # 安装常用工具 # Ubuntu apt update -y && apt upgrade -y apt install -y wget vim git zip unzip ``` --- #### **4. 安装Python环境** - **方法1：通过包管理器安装**（推荐稳定版）： ```bash # CentOS yum install -y python3 python3-pip # Ubuntu apt install -y python3 python3-pip ``` - **方法2：使用Miniconda管理多版本**： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 按提示安装 source ~/.bashrc # 激活环境 conda create -n pyenv python=3.9 # 创建虚拟环境 conda activate pyenv ``` --- #### **5. 配置安全组规则** - 在阿里云控制台 **安全组** 中开放所需端口（例如：80/HTTP、443/HTTPS、5000/Flask应用）。 - 示例规则：允许来源 `0.0.0.0/0` 访问TCP端口80。 --- #### **6. 可选：安装Docker（替代虚拟机）** - **仅限CentOS 7/Ubuntu**（CentOS 8需升级到Stream版本）： ```bash # CentOS 7 yum install -y yum-utils yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo yum install -y docker-ce docker-ce-cli containerd.io # Ubuntu apt install -y docker.io systemctl start docker && systemctl enable docker ``` --- #### **7. 验证环境** ```bash python3 --version # 应输出Python 3.x pip3 list # 查看已安装包 docker --version # 检查Docker是否安装成功 ``` --- ### **常见问题提示** 1. **权限不足**：在命令前加 `sudo`，或切换为 `root` 用户。 2. **端口无法访问**：检查安全组规则和服务器防火墙（`firewalld`/`ufw`）。 3. **依赖冲突**：使用虚拟环境（如 `conda` 或 `venv`）隔离项目依赖。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值