推荐引擎：

通过探寻不同物品（产品Item、Product）或者不同用户之间喜好的联系，用于预测用户喜好的物品。

案例分析

以亚马逊图书推荐为例：
Spark机器学习
-a. 推荐一： 1 Product
经常一起购买的商品
-b. 推荐二： 5 * 12 = 60 Product
浏览此商品的顾客也同时浏览
-c. 推荐三： 5 * 20 = 100 Product
购买此商品的顾客也同时购买

以JD商品推荐为例：
樱桃（Cherry）MX-Board 2.0 G80-3801机械键盘
-a. 推荐一：人气配件
购买此Product同时购买Product
-b. 推荐二：针对不同配件
推荐TopKey个Product
-c. 推荐三：达人选购
购买最多类似Product，推荐
-d. 推荐四：看了又看
同时浏览的类似Product
-e. 推荐五：键盘热销榜
同价位、同品牌、总排行

个性化推荐

个性化推荐系统需要依赖用户的行为数据，一般都是作为一个应用存在与不同网站之中。在互联网的各类网站中都可以看到推荐系统的应用，而个性化推荐系统在这些网站中的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面，来提高网站的点击率和转化率。

相似度度量方法

同现相似度：
wij=∣N(i)⋂N(j)∣∣N(i)∣w_{ij}=\frac{|N(i) \bigcap N(j)|}{|N(i)|} wij=∣N(i)∣∣N(i)⋂N(j)∣
欧式距离（Euclidean Distance）
d(x,y)=∑(xi−yi)2sim(x,y)=11+d(x,y)d(x,y)=\sqrt{\sum(x_i - y_i)^2} \quad sim(x,y)=\frac{1}{1+d(x,y)} d(x,y)=∑(xi−yi)2sim(x,y)=1+d(x,y)1
皮尔逊相关系数（Pearson Correlation Coefficient）
ρX,Y=covX,YσXσY\rho_{X,Y}=\frac{cov{X,Y}}{\sigma_X \sigma_Y} ρX,Y=σXσYcovX,Y
Cosine相似度(Cosine Similarity)
T(x,y)=x⋅y∣∣x∣∣2∗∣∣y∣∣2=∑xiyi∑xi2∑yi2T(x,y)=\frac{x \cdot y}{||x||^2*||y||^2}=\frac{\sum x_iy_i}{\sqrt{\sum x_i^2}\sqrt{\sum y_i^2}} T(x,y)=∣∣x∣∣2∗∣∣y∣∣2x⋅y=∑xi2∑yi2∑xiyi
Tanimoto系数（Tanimoto Coefficient）又称广义Jaccard系数
T(x,y)=x⋅y∣∣x∣∣2∗∣∣y∣∣2−x⋅y=∑xiyi∑xi2∑yi2−∑xiyiT(x,y)=\frac{x \cdot y}{||x||^2*||y||^2 - x \cdot y}=\frac{\sum x_iy_i}{\sqrt{\sum x_i^2}\sqrt{\sum y_i^2} - \sum x_iy_i} T(x,y)=∣∣x∣∣2∗∣∣y∣∣2−x⋅yx⋅y=∑xi2∑yi2−∑xiyi∑xiyi

P1_1 推荐系统 (背景介绍)相关推荐

我为什么要花3年熬几百个夜写一本推荐系统的专著？
作者 | gongyouliu 编辑 | auroral-L 大家好,我是强哥.一个热爱暴走.读书.写作的人! 我的新书「构建企业级推荐系统:算法.工程实现与案例分析」终于出版啦!这是一本大部头的书, ...
「构建企业级推荐系统系列」实时个性化推荐介绍
作者 | gongyouliu 编辑 | auroral-L 随着互联网的深入发展和产品布局的多元化,越来越多的企业通过提供快节奏的产品及服务消耗用户的碎片化时间,从而赢得用户的青睐.这类产品通过便捷 ...
深入理解YouTube推荐系统算法！
之前天池-安泰杯跨境电商智能算法大赛是我初次接触推荐相关的比赛,通过比赛让我对推荐系统有了较为浅显的认识,赛后也是打算系统的学习这方面的内容,此后我也会将[推荐系统]作为一个系列板块进行更新,主打经典 ...
全新的深度模型在推荐系统中的应用
文章作者:周浩第四范式研究员编辑整理:汪方野出品平台:第四范式天枢.DataFunTalk 导读:如今,在电子商务.物联网等领域,推荐系统扮演着越来越重要的地位.如何根据用户的历史行为和项目的 ...
【推荐系统】深入理解推荐系统：无需人工特征工程的xDeepFM
[推荐系统]专栏历史部分文章: 深入理解推荐系统:召回深入理解推荐系统:排序深入理解推荐系统:Fairness.Bias和Debias 深入理解推荐系统:推荐系统中的attention机制深入理 ...
【推荐系统】深入理解推荐系统：排序
写在前面 [推荐系统]专栏历史文章: 深入理解推荐系统:召回深入理解YouTube推荐系统算法作为[推荐系统]系列文章的第三篇,将以"排序"作为今天的主角,会从四个方面来介绍推 ...
【推荐系统】深入理解YouTube推荐系统算法
去年天池-安泰杯跨境电商智能算法大赛是我初次接触推荐相关的比赛,通过比赛让我对推荐系统有了较为浅显的认识,赛后也是打算系统的学习这方面的内容,此后我也会将[推荐系统]作为一个系列板块进行更新,主打经典 ...
何向南教授团队最新综述：对话推荐系统中的进展与未来挑战
©作者|高崇铭.雷文强等来源|社媒派SMP 背景介绍推荐系统为工业界带来了巨大的收益.大多数推荐系统都是以静态的方式工作,即从用户历史的交互中来推测用户的兴趣爱好从而做出推荐.然而,这样的方式有缺 ...
会议交流 | 如何提升推荐系统的可解释性？——DataFunSummit2022知识图谱在线峰会...
背景介绍知识图谱及特征学习结合智能推荐,可解决数据稀疏性及冷启动问题,更好的提升推荐决策场的准确性.多样性及可解释性,进而提升各个场景的推荐决策效率和体验. 3月12日13:30-16:50,在Da ...

P1_1 推荐系统 (背景介绍)

P1_1 推荐系统

推荐引擎：

案例分析

推荐方式

个性化推荐

推荐系统的本质

相似度度量方法

推荐系统的核心：

推荐系统组成：

P1_1 推荐系统 (背景介绍)相关推荐

最新文章

热门文章