149 混合推薦系統案例（功能分析）

數據準備

爲用戶guyong準備基於用戶的推薦結果

爲用戶guyong準備基於物品的推薦結果，該結果基於用戶上一次的瀏覽記錄生成

準備物品與物品的類似度數據–基於物品的類似度推薦

準備物品與物品的類似度數據----基於內容的類似度推薦

爲廣告位（猜你喜歡）121準備默認的推薦結果

初始化全部的商品信息

功能實現分析

1）用戶在商城瀏覽商品，將用戶的瀏覽記錄保存到Cookie，隨着用戶的請求傳送給推薦服務接口。推薦服務接收到用戶的基本信息和瀏覽信息。
另外一種思路，能夠經過消費點擊流日誌，將用戶的行爲保存到Redis中，推薦服務經過訪問Redis獲取用戶的行爲記錄。

2）推薦接口從用戶的基本信息中獲取到三種推薦結果（離線結果）

• 基於歷史數據，計算的基於用戶的協同過濾的推薦結果，推薦數量24。
• 基於用戶上一次行爲記錄，計算的基於物品的協同過濾推薦結果，推薦數量24。這裏根據用戶對某一個商品的瀏覽次數進行加權。
• 基於用戶上一次行爲記錄，計算的基於內容的推薦結果，推薦數量24。這裏根據用戶對某一個商品的瀏覽次數進行加權。

3）推薦接口從用戶的瀏覽信息中獲取用戶當前會話的的行爲記錄，並以此計算基於物品和基於內容的實時推薦結果

• 基於用戶本次會話的記錄，計算基於物品的推薦結果，推薦數量爲24
• 基於用戶本次會話的記錄，計算基於內容的推薦結果，推薦數量爲24。

4）對以上的反饋的推薦結果進行排序，排序的過程當中對商品去重

• 按照業務需求對結果排序，第一位是基於物品的實時推薦結果，依次類推。在排序的過程匯中，須要對推薦的商品進行排序。
• 推薦結果生成完畢以後，對總體的推薦結果的產品數量進行補全和刪除操做。補全使用該推薦位的默認推薦產品進行補全。

5）設置業務人員強推的商品，根據業務人員指定的商品序號，替換掉推薦結果中對應序號的推薦商品。
注：總體思路如此，後續推薦模型能夠持續進行優化，包括對推薦結果進行加權。