【推荐系统篇】--推荐系统介绍和基本架构流程

一、前述

推荐系统是企业中常用的技术，所以系统的掌握推荐系统的知识是很有必要的。本专栏主要讲述手机APP下载的项目。

常用的推荐方法有两个，分别是基于物品的推荐和基于用户的推荐。

基于用户的推荐原理是：跟你喜好相似的人喜欢的东西你也很有可能喜欢（userBaseCF）。 基于物品的推荐原理是：跟你喜欢的东西类似的东西你也可能喜欢（itemBaseCF）。

我们这里用到的是itembaseCF，本质是依据特征找用户喜好规律。 显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。 隐式的用户反馈：这类是用户在使用网站时产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。

本项目基于隐式的用户反馈。

二、协同过滤算法详述

 结论：对于用户A，根据用户的历史偏好，这里只计算得出一个邻居用户C，然后将用户C喜欢的物品D推荐给用户A

结论：基于用户的推荐（长虚线）---1和5比较相似，5买了104商品，所以把104推荐给用户1。           基于物品的推荐（短虚线）---101物品和104物品比较相似，所以当用户买了101，把104也推荐给他。 三、lambda架构（所有推荐系统的父架构）

 四、本文系统架构

lmbda架构（手机APP下载）

解释：1.选用逻辑回归算法原因是用户要么下载，要么不下载。

         2.生成特征索引（实际上是一个文本文件）的原因是格式化测试数据，也是相当于降维，当一个userId进来时找到推荐服务，然后通过服务路由去查找HBase中的数据，并根据特征索引来取对应的特征，所以这一步相当于一个降维。

线上架构（测试集架构）：

关联特征：保存的是同现矩阵。

流程：核心思想（计算用户对所有APP（除去历史下载部分）的评分，按分值排序，然后取topn）

问题：

 五、需求分析（架构推荐方案）

         1、数据清洗（得到训练数据）

         2、算法建模（得到模型结果）          3、模型使用（得到推荐结果）

         4、结果评估（推荐结果评估）