本篇教程介绍了大数据用用领域之推荐系统，希望阅读本篇文章以后大家有所收获，帮助大家对大数据云计算大数据应用的理解更加深入。

<

什么是推荐系统？
那么什么是推荐系统呢？简单的来说，就是帮助用户和物品联系起来，让信息展现在对他感谢兴趣的用户面前。
在互联网最开始兴起的时候，最便捷的帮助用户的方法就是进行分类，比如当时的雅虎,hao123等等。后来互联网兴起，这种分类已经装不下太多的信息，于是出现了搜索引擎，当用户需要什么东西的时候，可以直接主动的去获取。而推荐系统的出现，则帮助用户在没有明确的目的时，根据行为历史或者用户信息为用户提供有价值的东西。
所以一个完整的推荐系统需要包括前段的展示页面，后台的日志系统以及良好的推荐算法。

个性化的推荐系统应用
现在个性化推荐已经应用的很广泛了，比如：

1 电子商务网站、亚马逊：个性化推荐、相关推荐（打包和相似产品）
2 电影和视频网站，Netflix，YouTube,Hulu：基于物品用户评分进行推荐
3 个性化音乐网络电台：音乐推荐难度比较大，因为考虑到用户的心情、音乐很短、免费等等
4 社交网络：facebook,用户之间的网络关系、用户的偏好关系
5 个性化阅读：Google Reader,Digg
6 基于位置的服务：基于地理位置推送饭店
7 个性化邮件：帮助筛选出优先级高的邮件
8 个性化广告：CPM按照看到广告的次数收费、CPC按照点击广告的次数收费 、CPA按照最后的订单收费，个性化推荐帮助用户找到他们感兴趣的东西；广告推荐帮助广告找到对他们感兴趣的用户。
主要包括：上下文广告（通过用户浏览的内容）、搜索广告、个性化展示

基于行为数据
大多数的推荐系统都是基于用户行为的，当你浏览了一款商品，推荐列表将会更新，推荐一些与你浏览产品相关或者类似的产品。
常见的推荐算法就时基于用户或者物品的协同过滤。

基于用户的协同过滤，userCF,即会搜索你的好友喜欢的东西推荐给你
基于物品的协同过滤，itemCF,即搜索您喜欢的物品相类似的东西推荐给你

这两种算法都有各自的使用场景的优劣势。

推荐系统冷启动
对于很多公司都是在一定规模才引入推荐系统的，这时候已经拥有了大量的用户行为数据，做推荐算法就很容易了。但是有一些系统想在初期就引入，这就比较困难了。因为既没有大量的物品，也没有太多的用户关系，做协同过滤就很费劲了。
因此可以考虑费个性化的推荐，比如热门排行、利用用户的注册信息、社交账号、反馈信息等进行推荐。之后再慢慢调整..
在系统的初期也可以考虑选择合适的物品启动用户的兴趣，需要有比较热门、代表性和区分行。
利用用户标签数据
基于标签是一种很简单很暴力的推荐方法，给用户打上相关的标签，然后就可以基于标签进行精准营销或者个性化推荐了。
一般打上的标签都是 物品定义、种类、所有者、观点、用户胡哦哦相关的。也可以分成：类型、时间、人物、地点、语言、等等
一般的标签都是由三元组组成（用户、物品、标签）
在打标签的时候还需要注意标签的清理。
利用上下文信息
因为用户的兴趣是变化的，可能随着季节的效应而变化（比如衣服、考试资料），也可能根据购买的历史（比如你买了一样东西，以后就再也不需要买了）。
因此时间是一个很重要的上下文环境，另外就是地理位置，比如吃饭、逛街等等。
   

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据应用频道！