推薦技術簡介

轉載請標明出處：http://blackwing.iteye.com/blog/2231556

根據項亮《動態推薦系統關鍵技術研究》的分類方式，可以根據使用數據來把推薦技術分成以下兩類：

[size=medium][b]1.按使用數據分類：[/b][/size]

協同過濾
內容過濾
社會化過濾
基於人口信息的過濾
機遇地理信息的推薦


[size=medium][b]2.按模型分類：[/b][/size]

領域模型
矩陣分解模型
圖模型

受限於數據獲得的難易程度，一般用戶行爲數據較爲容易獲取，所以也導致協同過濾相關推薦算法的流行。

項亮表示，凡是使用了用戶行爲數據進行運算的都可以歸類爲協同過濾算法，經典的有user-based協同過濾和item-based協同過濾。
亞馬遜把item-based算法發揚光大，它優點是效果不錯，而且可以做推薦解析。

但每一種推薦算法，都有其適用場合，所以目前成熟的推薦系統，幾本都屬於混合型推薦系統。混合型推薦系統的核心思想，是融合多種推薦算法，使其取長補短。


《Hybrid Recommender Systems Survey and Experiments》這篇論文對混合推薦系統做了研究，列出了推薦系統的混合方式：

Weighted 加權融合
Switching 開關切換融合
Mixed 混合融合
Cascade 串聯融合
Feature combination 特徵組合融合
Feature augmentation 特徵增益融合
Meta-level

推薦系統的開發框架，以下摘自《推薦系統實踐》

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

一個推薦系統，一般分爲離線部分、在線部分。而其中的“推薦解釋”模塊，則並不是每個算法都適合，有些算法是做不了推薦解釋的，例如基於矩陣分解的推薦算法。


以下是我們的推薦系統架構圖


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

由離線層、半實時層、實時層構成。由於要處理大數據，一般使用的技術都是hadoop、spark、hbase、storm、redis、mahout等。

以item-based協同過濾爲例，一般整個個性化推薦的流程如下：

1. 讀取用戶行爲數據，進行抽取清理
2. 根據清理後的行爲數據，算出任意兩兩item的相似度
3. 根據業務需要，截取N個與某item最相似的相關item，寫入持久化存儲，例如hbase
4. 上層web程序，根據user的歷史觀看記錄，找出3中算好的與user歷史記錄中看過的item相似的item返回界面展示

簡單說，就是根據用戶歷史行爲，找其歷史記錄中相似的item。