关于推荐系统（一）

（一）推荐系统的产生背景：

传统的广告：纸质媒体，电视，广播，户外广告

特点：总体成本高，受众人群偏小（如报纸的订阅群体有限），无法有效的预测广告的效果（很难命中用户的兴趣点）。

旗帜广告（BANNER）：它是互联网界最为传统也最为常见的广告表现形式，旗帜广告是横跨网页上方或下方的小公告牌，当用户单击时，鼠标就会将他们带到广告主的网站或缓冲储存页中。

特点：严重依赖流量，命中率过低

EDM：邮件群发

特点：运营商采取越来越有效的过滤政策，很难送达；用户内心反感，即使受到也置之不理。

（二）未来广告趋势：

精准：精准的推送信息，精准的受众

可以量化的准确的评测效果（根据广告效果更新模型参数）

如：利用搜索引擎关键字推广（利用搜索猜测兴趣所在）

如：利用社交网络（口碑传颂）

推荐系统：->计算广告学

（三）推荐系统所涉及的知识

电子商务业务知识

网站架构和运营

机器学习算法和数学建模

大数据计算平台（hadoop、spark、nosql）

（四）推荐系统核心困难

设计出符合业务场景的高精度推荐算法

大数据的分析与处理

某些对实时性要求较高

（五）推荐系统常用的算法

聚类（最基本）

关联模式挖掘（最基本）

大规模矩阵计算（平台相关）

文本挖掘（自然语言处理）

复杂网格和图论算法（基于社交网络时）->不适合关系型数据库和hadoop

（六）推荐系统中常用的IT技术

关系型数据库和sql

Hadoop和Map-Reduce编程

Spark，Storm等快速计算平台

Mllib等机器学习算法库->一般运行在spark上

Neo4J等图数据库或其他nosql类数据库