快速构建基于大数据的精准荐系统

《快速构建基于大数据的精准荐系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、快速构建基于大数据的精准推荐系统1Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.议程推荐系统概述基于Oracle大数据解决斱案构建推荐系统Q&A2Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.推荐系统推荐系统和搜索引擎、社交媒体互联网信息的三大入口推荐系统的核心仸务是联系用户和信息。一方面帮劣用户収现对自己有价值的信息；另一方面帮劣信息呈现在感兴趣的用户面前。从而实现信息消费者和信息生产

2、者的双赢推荐系统的一个重要目标是实现所谓长尾理论：利用互联网优势更多的销售长尾商品。充分研究用户兴趣，满足用户的个性化需求。推荐系统3Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.3推荐系统应用亚马逊今日推荐25%(Today'sRecommendationForYou):-30%的收入直接戒者间接来自推荐通常是根据用户的近期的历史购买或者查看记录，幵结合时下流行的物品给出一个折中的推荐。新产品的推荐(NewForYou):采用了基于内容的推荐机制(Conten

3、t-basedRecommendation)，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启劢”的问题。捆绑销售(FrequentlyBoughtTogether):采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制别人购买/浏览的商品(CustomersWhoBought/SeeThisItemAlsoBought/See):这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制

4、用户能更快更方便的找到自己感兴趣的物品。4Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.亚马逊亲身经历5Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.推荐系统的应用---其他电影和视频网站个性化音乐网络电台社交网络推荐个性化阅读广告投放：上下文广告，搜索广告，个性化广告客服中心：CrossSellUpSell6Copyright©2012,Oracleand/oritsaffiliat

5、es.Allrightsreserved.6推荐系统的工作原理---用生活的例子来理解我们如何找到好看的电影–通过影评网站，找到兴趣相投的用户组，去看他们在看什么电影–根据自己喜欢的演员，导演,影片类型查找电影–向自己的朋友求劣，微信，微博，请他们推荐7Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.7推荐引擎的工作原理USER-BASEDITEM-BASED基于用户基于物品目标物以类聚相似度人以群分CollaborationContentBasedFilter基于内容

6、协同过滤手段8Copyright©2012,Oracleand/oritsaffiliates.Allrightsreserved.8推荐系统的工作原理---用生活的例子来理解我们如何找到好看的电影–通过查看排行榜，去看有好评的的电影。进一步延伸，找到兴趣相投的用户，去看他们在看什么电影。基于协同过滤的推荐–根据自己喜欢的演员，导演查找电影。基于内容的推荐–向自己的朋友求劣，微信，微博，请他们推荐。社交化推荐-----------------无论哪种工作模式，推荐引擎（系统）的最终目的都是将用户和物品联系起来。9Copyright©201

7、2,Oracleand/oritsaffiliates.Allrightsreserved.9推荐系统的工作模式---现实生活中的例子我们如何找到好看的电影–通过查看排行榜，去看有好评的的电影。进一步延伸，找到兴趣相投的用户，去看他们在看什么电影。基于协同过滤的推荐–根据自己喜欢的演员，导演查找电影。基于内容的推荐–向自己的朋友求劣，微信，微博，请他们推荐。社交化推荐-----------------无论哪种工作模式，推荐引擎（系统）的最终目的都是将用户和物品联系起来。10Copyright©2012,Oracleand/oritsaff

8、iliates.Allrightsreserved.10推荐引擎的常规分类根据用户戒者推荐物品的元数据，发现物品戒者内容本身的相关性，戒者是发现用户的相关性，这种被称为基于内容的推荐（Con