推荐系统规划
- 1. 推荐系统规划
何德琳
beijinhe@gmail.com
2012年3月
- 2. 目彔
推荐系统建设背景与目标
推荐系统架构
推荐系统建设思路
- 3. 当今的互联网正从搜索时代进入推荐时代
无论用户在互联网的任何页面
他所 需要的信息 就在他的面前
在当今互联网的时代，用户处在一个信息爆炸的时代，面对网络上
的海量信息会迷失，在这种背景下推荐系统应运而生，它根据用户
的兴趣爱好推荐符合用户兴趣爱好的信息。
推荐引擎是一个主动发现用户当前或潜在需求，幵且主动推送信息给
用户的信息网络。
推荐引擎建立在强大的数据挖掘和机器学习技术基础之上。
推荐引擎通过对海量用户数据的分析和挖掘，找到用户不信息产品之间的二元关系。
- 7. 推荐引擎的工作原理
社会人口属性 物品关键字 用户购买信息
用户基本属性 基因描述 用户查看/使用信息
……… …… 用户的评价信息…
用户信息 物品信息 用户对物品的偏好信息
推荐给
推荐引擎
推荐给
推荐引擎
的核心能 推荐给
力：针对 推荐给
性、定向
主动推送
能力 物品 用户
推荐引擎
涉及的技术：
- 10. 目彔
推荐系统建设背景与目标
推荐系统架构
推荐系统建设思路
- 12. 推荐系统分层结构
应用场景1 应用场景2 应用场景3 应用场景4 ……
应
用
层 推荐渠道 推荐时机 推荐内容 推荐用户
API 参数传入接口 数据输出接口 数据采集接口 实时过滤排序 实时信息接口
层
推荐
交互
推荐
过滤排序控制 过度推荐控制 补足推荐控制 冷启动处理控制 cep &
引擎 算 反馈
法 优化
层 基于社会
基于内容的推 关联规则推荐
协同过滤算法 网络的推荐 其他算法
荐算法 算法
算法
用户属性
用户标签 产品内容数 反馈评价数 用户行为挖
库和统一 ……..
数据 据 据 掘模型数据
视图
数
据 用户、产品研究模型数据
层 数据源 其他数据源 未来扩充数据
用户其他相 其他互联网
日志系统 DW 营销数据
关数据 网站数据
- 13. 用户/产品数据挖掘分析
用户属性库 产品属性库
用户特征与兴趣偏好 产品研究体系
娱乐 沟通 生活 产品信息质量
相似产品集归整
评分
娱乐关注偏向 沟通范围 活动区域
产品相关性，
数据挖掘 产品生命周期
关注偏向强度 沟通欲望强度 主要生活内容 互补、替代性
商务 消费特征 心理特征 产品热销周期，
产品关系链
地区，人群，时节
职业特点
消费偏向 兴趣爱好
产品推荐支持
工作特征 特色产品
度系数
用户特征挖掘模型 特征标签 ……. 产品关联集 产品特征信息
客户
数据汇总分类 基础 人口属性 消费行为 业务开通 业务使用 用户评价 ………
属性
数据来源 数据收集
- 14. 推荐算法
行为及兴趣: Machine Learning
CF, KNN, MF
LR，RDT , GDBT…
社交场景: Graph mining:
TNN-relation chain
Random walk, PageRank, Hits
规则匹配： 标签匹配、状态匹配、热点推荐…
内容推荐: IR：
Classification, SVM(similarity)
LSA,LDA …
上下文信息: 匹配过滤： LBS，Time …
混合模型： Hybrid model
- 16. 目彔
推荐系统建设背景与目标
推荐系统架构
推荐系统建设思路
- 17. 推荐引擎建设思路
丰富业务应用
• 优先应用于对原
有系统有极大提
升效果的场景，
逐步丰富业务应
敏捷开发 用。
• 保持系统的迭代速
度，寻求系统复杂
度和算法精度的平
衡。
搭建合理架构
• 分层解耦，集成化
平台，支持应用功
能的灵活扩展。
- 19. 推荐系统演进方向
目标
打造高质量、高性能、灵活扩展的推荐引擎。逐
步丰富推荐应用场景。
1 2 3 4
应用场景：优先 推荐引擎：引入 数据层：丰富数 运作模式：构建
应用于对原有系 多个推荐算法混 据源， 丰富用户 推荐云开放平台
统有极大提升效 合的推荐机制； 研究模型，获取 RCP，开放推荐
果的场景，逐步 打造基于社交场 用户隐性偏好。 API，实现被推荐
丰富业务推荐应 景下的社会化推 提升在线推荐速 业务接入和承载、
用场景。 荐引擎。 度和响应时间。 数据云存储和计
算。
