推荐模型构建流程

Data(数据)->Features(特征)->ML Algorithm(机器学习算法)->Prediction Output(预测输出)

数据清洗/数据处理

• 数据来源
  • 显性数据
    • Rating 打分
    • Comments 评论/评价
  • 隐形数据
    • Order history 历史订单
    • Cart events 加购物车
    • Page views 页面浏览
    • Click-thru 点击
    • Search log 搜索记录

• 数据量/数据能否满足要求

  特征工程

• 从数据中筛选特征

  • 一个给定的商品，可能被拥有类似品味或需求的用户购买
  • 使用用户行为数据描述商品

• 用数据表示特

  • 将所有用户行为合并在一起 ，形成一个user-item 矩阵

    算法

    协同过滤推荐算法
    基本的协同过滤推荐算法基于以下假设：

• “跟你喜好相似的人喜欢的东西你也很有可能喜欢” ：基于用户的协同过滤推荐（User-based CF）

• “跟你喜欢的东西相似的东西你也很有可能喜欢 ”：基于物品的协同过滤推荐（Item-based CF）

实现协同过滤推荐有以下几个步骤：

1. 找出最相似的人或物品：TOP-N相似的人或物品
   通过计算两两的相似度来进行排序，即可找出TOP-N相似的人或物品
2. 根据相似的人或物品产生推荐结果
   利用TOP-N结果生成初始推荐结果，然后过滤掉用户已经有过记录的物品或明确表示不感兴趣的物品

以下是一个简单的示例，数据集相当于一个用户对物品的购买记录表：打勾表示用户对物品的有购买记录

• 关于相似度计算这里先用一个简单的思想：如有两个同学X和Y，X同学爱好[足球、篮球、乒乓球]，Y同学爱好[网球、足球、篮球、羽毛球]，可见他们的共同爱好有2个，那么他们的相似度可以用：2/3 * 2/4 = 1/3 ≈ 0.33 来表示。

User-Based CF

Item-Based CF