第十章 大数据处理平台的应用.pptVIP

第十章： 大数据处理平台的应用 10.1 推荐系统概述 10.1.1 什么是推荐系统 10.1.2 长尾理论 10.1.3 推荐方法 10.1.4 推荐系统模型 10.1.5 推荐系统的应用 互联网的飞速发展使我们进入了信息过载的时代，有哪些信誉好的足球投注网站引擎可以帮助我们查找内容，但只能解决明确的需求 为了让用户从海量信息中高效地获得自己所需的信息，推荐系统应运而生。推荐系统是大数据在互联网领域的典型应用，它可以通过分析用户的历史记录来了解用户的喜好，从而主动为用户推荐其感兴趣的信息，满足用户的个性化推荐需求 推荐系统是自动联系用户和物品的一种工具，和有哪些信誉好的足球投注网站引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算。推荐系统可发现用户的兴趣点，帮助用户从海量信息中去发掘自己潜在的需求 10.1.1 什么是推荐系统 推荐系统可以创造全新的商业和经济模式，帮助实现长尾商品的销售 “长尾”概念于2004年提出，用来描述以亚马逊为代表的电子商务网站的商业和经济模式 电子商务网站销售种类繁多，虽然绝大多数商品都不热门，但这些不热门的商品总数量极其庞大，所累计的总销售额将是一个可观的数字，也许会超过热门商品所带来的销售额 因此，可以通过发掘长尾商品并推荐给感兴趣的用户来提高销售额。这需要通过个性化推荐来实现 10.1.2 长尾理论 热门推荐是常用的推荐方式，广泛应用于各类网站中，如热门排行榜。但热门推荐的主要缺陷在于推荐的范围有限，所推荐的内容在一定时期内也相对固定。无法实现长尾商品的推荐 个性化推荐可通过推荐系统来实现。推荐系统通过发掘用户的行为记录，找到用户的个性化需求，发现用户潜在的消费倾向，从而将长尾商品准确地推荐给需要它的用户，进而提升销量，实现用户与商家的双赢 10.1.2 长尾理论 推荐系统的本质是建立用户与物品的联系，根据推荐算法的不同，推荐方法包括如下几类： 专家推荐 基于统计的推荐 基于内容的推荐 协同过滤推荐 混合推荐 10.1.3 推荐方法 完整的推荐系统： 用户建模模块：对用户进行建模，根据用户行为数据和用户属性数据来分析用户的兴趣和需求 推荐对象建模模块：根据对象数据对推荐对象进行建模 推荐算法模块：基于用户特征和物品特征，采用推荐算法计算得到用户可能感兴趣的对象，并根据推荐场景对推荐结果进行一定调整，将推荐结果最终展示给用户 10.1.4 推荐系统模型 图: 推荐系统基本架构 目前推荐系统已广泛应用于电子商务、在线视频、在线音乐、社交网络等各类网站和应用中 如亚马逊网站利用用户的浏览历史记录来为用户推荐商品，推荐的主要是用户未浏览过，但可能感兴趣、有潜在购买可能性的商品 10.1.5 推荐系统的应用 图11-2 亚马逊网站根据用户的浏览记录来推荐商品 推荐系统在在线音乐应用中也逐渐发挥作用。音乐相比于电影数量更为庞大，个人口味偏向也更为明显，仅依靠热门推荐是远远不够的 虾米音乐网根据用户的音乐收藏记录来分析用户的音乐偏好，以进行推荐。例如，推荐同一风格的歌曲，或是推荐同一歌手的其他歌曲 10.1.5 推荐系统的应用 图11-3 虾米音乐网根据用户的音乐收藏来推荐歌曲 推荐技术从被提出到现在已有十余年，在多年的发展历程中诞生了很多新的推荐算法。协同过滤作为最早、最知名的推荐算法，不仅在学术界得到了深入研究，而且至今在业界仍有广泛的应用 协同过滤可分为基于用户的协同过滤和基于物品的协同过滤 10.2.1 基于用户的协同过滤（UserCF） 10.2.2 基于物品的协同过滤（ItemCF） 10.2.3 UserCF算法和ItemCF算法的对比 10.2 协同过滤 基于用户的协同过滤算法（简称UserCF算法）在1992年被提出，是推荐系统中最古老的算法 UserCF算法的实现主要包括两个步骤： 第一步：找到和目标用户兴趣相似的用户集合 第二步：找到该集合中的用户所喜欢的、且目标用户没有听说过的物品推荐给目标用户 10.2.1 基于用户的协同过滤（UserCF） 图11-4 基于用户的协同过滤（User CF） 10.2.1 基于用户的协同过滤（UserCF） 实现UserCF算法的关键步骤是计算用户与用户之间的兴趣相似度。目前较多使用的相似度算法有： 泊松相关系数（Person Correlation Coefficient） 余弦相似度（Cosine-based Similarity） 调整余弦相似度（Adjusted Cosine Similarity） 给定用户u和用户v，令N(u)表示用户u感兴趣的物品集合，令N(v)为用户v感兴趣的物品集合，则使用余弦相似度进行计算用户相似度的公式为： 10.2.1 基于用户的协同过滤（UserCF） 由于很多用户相互之间并没有对同样的物品产生过行为，因此其相