如何快速搭建推荐系统-问答-阿里云开发者社区-阿里云

开发者社区> 1999896802156581> 正文

如何快速搭建推荐系统

来自:搜索与推荐技术 2020-10-26 23:41:51 1841 4

一个肥电商行业的企业中台 如何落地推荐系统 提高用户订阅服务和产品购买吕

取消 提交回答
全部回答(4)
  • stefanie燕
    2021-03-17 14:05:48

    推荐算法评估指标 准确率:准确率是针对预测结果而言的,表示给用户推荐的物品中,有多少是真正感兴趣的。 召回率:召回率是针对推荐的结果,它表示的是用户感兴趣的物品中,有多少个是系统推荐的。 覆盖率:反映了推荐算法挖掘长尾物品的能力,如果所有物品都至少推荐给了1个用户,则覆盖率为100%。 流行度:根据推荐物品的平均流行度进行度量,如果推荐物品的流行度都比较高,则物品新颖度比较低。 常用推荐算法 协同过滤算法是基于用户行为数据设计的推荐算法,其中主要包括三类算法:「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」,这里主要给大家介绍一下「基于领域的方法」,分为User CF和Item CF两种。 有需要的可以提前去云小站看看哦 基于用户的协同过滤(User Collaborative Filtering) User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品,步骤如下:

    找到和目标用户兴趣相似的用户集合; 找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。 设有两个用户u和v,N(u)表示用户u曾经有过正反馈的物品集合,可通过以下方式计算两个用户的兴趣相似度:

    Jaccard公式:

    计算余弦相似度:

    得到用户的兴趣相似度后,选择与用户兴趣最相似的K个用户,将他们的兴趣物品(并排除目标用户已反馈过的物品),推荐给目标用户。

    算法缺点

    随着网站用户数目越来越大,计算用户兴趣相似矩阵越来越困难; 运算时间复杂度和空间复杂度与用户数增长近似于平方关系。 因此,亚马逊推出了-item CF。

    基于物品的协同过滤(Item Collaborative Filtering) User CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品,步骤如下:

    计算物品之间的相似度; 根据物品的相似度和用户的历史行为给用户生成推荐列表。 通过计算喜欢物品 i 的用户中有多少也喜欢物品 j,来计算两个物品的相似度:

    得到物品的相似度后,选择与其最相似的K个物品集合,推荐给目标用户。

    User CF与Item CF算法的对比

    推荐系统的评估维度 评估一个推荐系统的质量,需要综合多个维度进行评估,核心维度如下:

    用户满意度:用户后续行为反馈,调研 预测准确度:准确度/召回率 覆盖率:对物品长尾的挖掘能力,注意马太效应的影响 多样性:用户兴趣类型分布 新颖性:排除用户历史反馈物品,排除热门物品 惊喜度:非用户历史兴趣,但是满意 信任度:透明度,推荐机制解释程度 实时性:是否可以针对用户行为实时进行反馈 健壮性:防攻击,反作弊 商业目标达成情况 冷启动 除了以上所述,搭建推荐系统,还需要考虑的一个重要问题就是“冷启动”,涉及冷启动的场景主要有以下三类:

    用户冷启动 一个新用户,没有任何历史行为数据,怎么做推荐。

    物品冷启动 一个新上线的物品,没有用户对它产生过行为,怎么推荐给感兴趣的用户。

    系统冷启动 一个新开发的网站,没有用户数据,怎么做个性化推荐。

    根据系统的场景属性,可以设计不同的冷启动方式:

    提供非个性化推荐; 利用用户注册信息如年龄性别等做粗颗粒度推荐; 利用用户社交关系; 新用户要求对一系列物品进行反馈; 对应新物品,利用内容属性推荐给相似物品感兴趣用户; 专家搭建多维度标签体系。 设计一个健全的推荐系统,算法和策略需要综合考虑多项因素,包括服务器、计算资源成本,人力成本,可持续性和可扩展性等。

    高质量的推荐系统会使用户对系统产生依赖,因此,推荐系统不仅能为用户提供个性化服务,还能与用户建立长期稳定的关系,提高用户忠诚度,防止用户流失。

    希望我的梳理可以给到一些启发和参考。

    0 0
  • 游客2q7uranxketok
    2021-02-12 13:50:09

    推荐算法评估指标 准确率:准确率是针对预测结果而言的,表示给用户推荐的物品中,有多少是真正感兴趣的。 召回率:召回率是针对推荐的结果,它表示的是用户感兴趣的物品中,有多少个是系统推荐的。 覆盖率:反映了推荐算法挖掘长尾物品的能力,如果所有物品都至少推荐给了1个用户,则覆盖率为100%。 流行度:根据推荐物品的平均流行度进行度量,如果推荐物品的流行度都比较高,则物品新颖度比较低。 常用推荐算法 协同过滤算法是基于用户行为数据设计的推荐算法,其中主要包括三类算法:「基于领域的方法」、「隐语义模型」、「基于图的随机游走算法」,这里主要给大家介绍一下「基于领域的方法」,分为User CF和Item CF两种。

    基于用户的协同过滤(User Collaborative Filtering) User CF的基础逻辑是给用户推荐和他兴趣相似的其他用户喜欢的物品,步骤如下:

    找到和目标用户兴趣相似的用户集合; 找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。 设有两个用户u和v,N(u)表示用户u曾经有过正反馈的物品集合,可通过以下方式计算两个用户的兴趣相似度:

    Jaccard公式:

    计算余弦相似度:

    得到用户的兴趣相似度后,选择与用户兴趣最相似的K个用户,将他们的兴趣物品(并排除目标用户已反馈过的物品),推荐给目标用户。

    算法缺点

    随着网站用户数目越来越大,计算用户兴趣相似矩阵越来越困难; 运算时间复杂度和空间复杂度与用户数增长近似于平方关系。 因此,亚马逊推出了-item CF。

    基于物品的协同过滤(Item Collaborative Filtering) User CF的基础逻辑是给用户推荐和他之前喜欢的物品相似的物品,步骤如下:

    计算物品之间的相似度; 根据物品的相似度和用户的历史行为给用户生成推荐列表。 通过计算喜欢物品 i 的用户中有多少也喜欢物品 j,来计算两个物品的相似度:

    得到物品的相似度后,选择与其最相似的K个物品集合,推荐给目标用户。

    User CF与Item CF算法的对比

    推荐系统的评估维度 评估一个推荐系统的质量,需要综合多个维度进行评估,核心维度如下:

    用户满意度:用户后续行为反馈,调研 预测准确度:准确度/召回率 覆盖率:对物品长尾的挖掘能力,注意马太效应的影响 多样性:用户兴趣类型分布 新颖性:排除用户历史反馈物品,排除热门物品 惊喜度:非用户历史兴趣,但是满意 信任度:透明度,推荐机制解释程度 实时性:是否可以针对用户行为实时进行反馈 健壮性:防攻击,反作弊 商业目标达成情况 冷启动 除了以上所述,搭建推荐系统,还需要考虑的一个重要问题就是“冷启动”,涉及冷启动的场景主要有以下三类:

    1. 用户冷启动 一个新用户,没有任何历史行为数据,怎么做推荐。

    2. 物品冷启动 一个新上线的物品,没有用户对它产生过行为,怎么推荐给感兴趣的用户。

    3. 系统冷启动 一个新开发的网站,没有用户数据,怎么做个性化推荐。

    根据系统的场景属性,可以设计不同的冷启动方式:

    提供非个性化推荐; 利用用户注册信息如年龄性别等做粗颗粒度推荐; 利用用户社交关系; 新用户要求对一系列物品进行反馈; 对应新物品,利用内容属性推荐给相似物品感兴趣用户; 专家搭建多维度标签体系。 设计一个健全的推荐系统,算法和策略需要综合考虑多项因素,包括服务器、计算资源成本,人力成本,可持续性和可扩展性等。

    高质量的推荐系统会使用户对系统产生依赖,因此,推荐系统不仅能为用户提供个性化服务,还能与用户建立长期稳定的关系,提高用户忠诚度,防止用户流失。

    希望我的梳理可以给到一些启发和参考。

    作者:orca AdBright产品经理

    0 0
  • 三脚猫0_0
    2020-11-03 18:25:32

    拼团了,好友利益:云服务器双11狂欢特惠,最低仅需84.97元/年,助力轻松上云https://www.aliyun.com/1111/pintuan-share?ptCode=MTc5MTczMjYyMDQxOTE3NHx8MTE0fDE%3D&userCode=vjly8ffr

    0 0
  • 工程师U
    2020-10-28 14:20:25

    用阿里云智能推荐,开箱即用https://www.aliyun.com/product/bigdata/airec

    0 0
添加回答
相关问答

78

回答

小白用户ECS使用实践【持续连载中】

qilu 2014-06-18 15:37:00 72540浏览量 回答数 78

10

回答

【精品问答合集】Hbase热门问答

hbase小能手 2019-05-29 14:37:26 120301浏览量 回答数 10

19

回答

【分享】如何提高网站的打开速度?

enj0y 2012-11-17 14:35:22 56745浏览量 回答数 19

37

回答

阿里官方Java代码规范标准《阿里巴巴Java开发手册》下载

管理贝贝 2017-02-10 15:14:36 75017浏览量 回答数 37

25

回答

OSS CNAME功能教程

enj0y 2012-08-27 16:26:30 35737浏览量 回答数 25

19

回答

【分享】如何提高网站的打开速度?

enj0y 2012-11-17 14:35:22 46945浏览量 回答数 19

15

回答

网页挂马及暗链检测

yundun1 2012-02-24 17:40:01 47062浏览量 回答数 15

13

回答

基于大数据的全球电商系统架构性能优化【精品问答集锦】

管理贝贝 2016-07-21 17:20:39 36458浏览量 回答数 13

11

回答

Windows2008r2+IIS7.5+mysql+php+URL_rewrite伪静态的环境配置

zhedianshi 2014-07-23 10:23:25 47597浏览量 回答数 11

42

回答

9月14日云服务器自定义配置上线通知

andyslove 2012-09-12 19:14:22 34942浏览量 回答数 42
0
文章
1
问答
来源圈子
更多
+ 订阅
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载