版權聲明：本文為博主原創文章，轉載註明出處 https://blog.csdn.net/u013142781/article/details/51119242

一、前言

結合目前已存在的商品推薦設計（如淘寶、京東等），推薦系統主要包含系統推薦和個性化推薦兩個模塊。

系統推薦： 根據大眾行為的推薦引擎，對每個用戶都給出同樣的推薦，這些推薦可以是靜態的由系統管理員人工設定的，或者基於系統所有用戶的反饋統計計算出的當下比較流行的物品。

個性化推薦：對不同的用戶，根據他們的口味和喜好給出更加精確的推薦，這時，系統需要了解需推薦內容和用戶的特質，或者基於社會化網絡，通過找到與當前用戶相同喜好的用戶，實現推薦。

下面具體介紹系統推薦和個性化推薦的設計方案。

二、系統推薦

2.1、系統推薦目的

針對所有用戶推薦，當前比較流行的商品（必選） 或 促銷實惠商品（可選） 或 新上市商品（可選），以促進商品的銷售量。
PS：根據我們的應用情況考慮是否 選擇推薦 促銷實惠商品 和 新上市商品。（TODO1）

2.2、實現方式

實現方式包含：系統自動化推薦 和 人工設置推薦。

（1）系統自動化推薦考慮因素有：商品發布時間、商品分類、庫存余量、歷史被購買數量、歷史被加入購物車數量、歷史被瀏覽數量、降價幅度等。根據我們當前可用數據，再進一步確定（TODO2）

（2）人工設置：提供運營頁面供運營人員設置，設置包含排行位置、開始時間和結束時間、推薦介紹等等。

由於系統推薦實現相對簡單，因此不作過多的文字說明，下面詳細介紹個性化推薦的設計。

三、個性化推薦

3.1、個性化推薦目的

對不同的用戶，根據他們的口味和喜好給出更加精確的推薦，系統需要了解需推薦內容和用戶的特質，或者基於社會化網絡，通過找到與當前用戶相同喜好的用戶，實現推薦，以促進商品的銷售量。

3.2、三種推薦模式的介紹

據推薦引擎的數據源有三種模式：基於人口統計學的推薦、基於內容的推薦、基於協同過濾的推薦。

（1）基於人口統計學的推薦：針對用戶的“性別、年齡範圍、收入情況、學歷、專業、職業”進行推薦。

（2）基於內容的推薦：如下圖，這裏沒有考慮人對物品的態度，僅僅是因為電影A月電影C相似，因此將電影C推薦給用戶A。這是與後面講到的協同過濾推薦最大的不同。

（3）基於協同過濾的推薦：如下圖，這裏我們並不知道物品A和物品D是否相似，僅僅考慮人對物品的喜好進行推薦。

模式采用：這三種模式可以單獨使用，也可結合使用。結合我們實際情況，采用基於協同過濾的推薦更加合適，看後期情況是否結合另外兩種模式實現推薦。但基於協同過濾的推薦這種模式，會引發“冷啟動”問題。關於，冷啟動問題，後續會討論解決方案。

3.4、Mahout介紹

目前選擇采用協同過濾框架Mahout進行實現。

Mahout 是一個很強大的數據挖掘工具，是一個分布式機器學習算法的集合，包括：被稱為Taste的分布式協同過濾的實現、分類、聚類等。Mahout最大的優點就是基於hadoop實現，把很多以前運行於單機上的算法，轉化為了MapReduce模式，這樣大大提升了算法可處理的數據量和處理性能。

Mahout 是一個布式機器學習算法的集合，但是這裏我們只使用到它的推薦/協同過濾算法。

3.5、Mahout實現協同過濾實例

協同過濾在mahout裏是由一個叫taste的引擎提供的， 它提供兩種模式，一種是以jar包形式嵌入到程序裏在進程內運行，另外一種是MapReduce Job形式在hadoop上運行。這兩種方式使用的算法是一樣的，配置也類似。

這裏我們采用第一種引入jar包的單機模式。

3.5.1、依賴

商品搜索引擎---推薦系統設計