商品搜索引擎---推薦系統設計

版權聲明：本文爲博主原創文章，轉載註明出處 https://blog.csdn.net/u013142781/article/details/51119242

1、前言

結合目前已存在的商品推薦設計（如淘寶、京東等），推薦系統主要包含系統推薦和個性化推薦兩個模塊。

系統推薦： 根據大衆行爲的推薦引擎，對每一個用戶都給出一樣的推薦，這些推薦能夠是靜態的由系統管理員人工設定的，或者基於系統全部用戶的反饋統計計算出的當下比較流行的物品。

個性化推薦：對不一樣的用戶，根據他們的口味和喜愛給出更加精確的推薦，這時，系統須要瞭解需推薦內容和用戶的特質，或者基於社會化網絡，經過找到與當前用戶相同喜愛的用戶，實現推薦。

下面具體介紹系統推薦和個性化推薦的設計方案。

2、系統推薦

2.一、系統推薦目的

針對全部用戶推薦，當前比較流行的商品（必選） 或 促銷實惠商品（可選） 或 新上市商品（可選），以促進商品的銷售量。 
PS：根據咱們的應用狀況考慮是否 選擇推薦 促銷實惠商品 和 新上市商品。（TODO1）

2.二、實現方式

實現方式包含：系統自動化推薦 和 人工設置推薦。

（1）系統自動化推薦考慮因素有：商品發佈時間、商品分類、庫存餘量、歷史被購買數量、歷史被加入購物車數量、歷史被瀏覽數量、降價幅度等。根據咱們當前可用數據，再進一步肯定（TODO2）

（2）人工設置：提供運營頁面供運營人員設置，設置包含排行位置、開始時間和結束時間、推薦介紹等等。

因爲系統推薦實現相對簡單，所以不做過多的文字說明，下面詳細介紹個性化推薦的設計。

3、個性化推薦

3.一、個性化推薦目的

對不一樣的用戶，根據他們的口味和喜愛給出更加精確的推薦，系統須要瞭解需推薦內容和用戶的特質，或者基於社會化網絡，經過找到與當前用戶相同喜愛的用戶，實現推薦，以促進商品的銷售量。

3.二、三種推薦模式的介紹

據推薦引擎的數據源有三種模式：基於人口統計學的推薦、基於內容的推薦、基於協同過濾的推薦。

（1）基於人口統計學的推薦：針對用戶的「性別、年齡範圍、收入狀況、學歷、專業、職業」進行推薦。

（2）基於內容的推薦：以下圖，這裏沒有考慮人對物品的態度，僅僅是由於電影A月電影C類似，所以將電影C推薦給用戶A。這是與後面講到的協同過濾推薦最大的不一樣。

 

（3）基於協同過濾的推薦：以下圖，這裏咱們並不知道物品A和物品D是否類似，僅僅考慮人對物品的喜愛進行推薦。

模式採用：這三種模式能夠單獨使用，也可結合使用。結合咱們實際狀況，採用基於協同過濾的推薦更加合適，看後期狀況是否結合另外兩種模式實現推薦。但基於協同過濾的推薦這種模式，會引起「冷啓動」問題。關於，冷啓動問題，後續會討論解決方案。

3.四、Mahout介紹

目前選擇採用協同過濾框架Mahout進行實現。

Mahout 是一個很強大的數據挖掘工具，是一個分佈式機器學習算法的集合，包括：被稱爲Taste的分佈式協同過濾的實現、分類、聚類等。Mahout最大的優勢就是基於hadoop實現，把不少之前運行於單機上的算法，轉化爲了MapReduce模式，這樣大大提高了算法可處理的數據量和處理性能。

Mahout 是一個布式機器學習算法的集合，可是這裏咱們只使用到它的推薦/協同過濾算法。

3.五、Mahout實現協同過濾實例

協同過濾在mahout裏是由一個叫taste的引擎提供的， 它提供兩種模式，一種是以jar包形式嵌入到程序裏在進程內運行，另一種是MapReduce Job形式在hadoop上運行。這兩種方式使用的算法是同樣的，配置也相似。

這裏咱們採用第一種引入jar包的單機模式。

3.5.一、依賴