初中信息技术 课件 1.ppt

第十章: 大数据处理平台的应用
推荐系统概述
什么是推荐系统
长尾理论
推荐方法
推荐系统模型
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,搜索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,和搜索引擎相比,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
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
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
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
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
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
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
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
基于用户的协同过滤(UserCF)
基于物品的协同过滤(ItemCF)
UserCF算法和ItemCF算法的对比
协同过滤