问一种“产品”的推荐引擎

EN

您可以使用推荐引擎过滤以下几种内容。您可以根据特定用户以前购买过的内容进行过滤(在您的情况下，哪些功能已经出现在他们购买的产品中)。你还可以根据社交分组--用户喜欢他们，或者产品分组--过滤其他产品，比如你以前卖过的产品。我建议您首先对产品进行集群，然后将个人或组映射到该产品集群中的功能。所以，你最终会得到一个推荐引擎，上面写着:使用该功能购买商品的人也购买了具有这些功能的商品。然后，你可以为已知用户创建一个引擎:你倾向于购买具有这些功能的产品，这里有更多类似的项目。最后，您可以为组构建一个引擎:像这样的人倾向于购买具有这些功能的产品。

有了几个模型，您的系统可以转向适当的模型，这取决于他们目前所知道的:已知用户、已知用户组或已知的浏览历史记录。

由于您推荐了一批更独特的产品，因此在获得推荐后，您将希望添加一个额外的模型，以过滤掉不适当的推荐。这个模型将代表兼容性。使用用户以前使用的相同主机的新游戏比其他主机更兼容。如果他们上个月买了一辆新车，你不会推荐一辆新车，但可能会推荐十家洗车行。

您可以对最后一个模型使用几个不同的概念。如果你打算在你的模型中添加人们头脑中的显性知识，你可能想要建立一个信念网络，过滤掉不合适的推荐。如果要使用集体智能，可以使用简单回归、支持向量机或人工神经网络。我会选择最容易实现的过滤器，而不用担心选择你构建的第一个模型。在选定一个模型之前，您可能会构建几个模型，只要付出适当的努力，就会得到好的结果。

你的过滤模型将经历一个测试阶段，在这个阶段，你提出一个建议，过滤它的适当性，然后通过某种人工干预再次过滤它--一组你希望过滤器学习的“答案”，或者只是一个人仔细检查结果。然后，您将使用更新后的结果重新训练过滤器，重新采样并再次测试。

就推荐引擎而言，您可以使用GNU科学库(可用于任何平台的绑定)进行SVD。如果要使用大数据，还可以选择Mahout推荐引擎( Hadoop世界的一部分)。对于过滤器，您可能希望查看apophenia、libsvm或FANN。

你也可以选择在一个分析框架中工作一段时间，直到你觉得你已经掌握了事情。可供选择的有Weka、R、Octave、Matlab、Maple和Mathematica。我想我已经在价格方面列出了它们，然后才是易用性。

就资源而言，有几本很好的介绍性书籍：《集体情报》、《曼宁的MEAP》、《数据挖掘》(全部关于Weka)和《Modeling with Data》(apophenia )。

我的最后一个想法是，无论你的推荐引擎是否成熟，大部分价值都在用户体验中。亚马逊的一个人写道，当他们告诉用户为什么要做推荐时，他们的推荐引擎工作得最好。这有助于用户快速采用你的推理(对他们的旧的和好的购买的情感反应)，或者拒绝它并继续(他们已经有这样的东西了，他们不需要另一个)。

就我个人而言，我更喜欢Ruby，但是Ruby、Python和Perl可以很容易地连接到MySQL。

我喜欢Ruby的原因之一是它的ORM，这是一个非常强大的Sequel，使得数据库访问非常容易管理。如果你使用MVC，Ruby有Rails，它支持ActiveRecord作为它的对象关系映射，这也使得与MySQL的对话变得很容易。还有Sinatra和Padrino，它们都是重量较轻的ORM，但功能也非常强大。他们更加开箱即用，与Sequel很好地集成。