推荐引擎已经成为互联网业务的重要标配！
推荐系统在互联网行业的应用标杆
近年来互联网行业内电子商务及社交领域等众多公司如Amazon、Netflix、weibo、豆瓣等由于 巨大的推荐应用需求，推荐系统得到了得到了飞速发展。推荐系统将成为未来互联网里重要的变 革，社会化网站将由推荐系统所驱动。推荐系统将在好友、信息、app等推荐领域发挥较大作用。
推荐系统规划
何德琳 beijinhe@ 2012年3月
目彔
推荐系统建设背景与目标
推荐系统架构 推荐系统建设思路
当今的互联网正从搜索时代进入推荐时代
无论用户在互联网的任何页面 他所 需要的信息 就在他的面前
在当今互联网的时代，用户处在一个信息爆炸的时代，面对网络上 的海量信息会迷失，在这种背景下推荐系统应运而生，它根据用户 的兴趣爱好推荐符合用户兴趣爱好的信息。
沟通 沟通范围 沟通欲望强度 消费特征 消费偏向
产品相关性， 互补、替代性
产品热销周期， 地区，人群，时节 产品推荐支持 度系数
特征标签
消费行为
…….
业务开通 业务使用
产品关联集
用户评价
产品特征信息
………
数据汇总分类
客户 基础 属性
人口属性
数据来源
数据收集
推荐算法
行为及兴趣: Machine Learning CF, KNN, MF LR，RDT , GDBT… 社交场景: Graph mining: TNN-relation chain Random walk, PageRank, Hits 规则匹配： 标签匹配、状态匹配、热点推荐… 内容推荐: IR：
LinkedIn的推荐产品：
LinkedIn推荐系统带来 的巨大价值：
Recommendations drive：More than 50% > 50% of connections > 50% of job applications > 50% of group joins
推荐引擎的工作原理
社会人口属性 用户基本属性 ……… 物品关键字 基因描述 …… 用户购买信息 用户查看/使用信息 用户的评价信息…
目标 打造高质量、高性能、灵活扩展的推荐引擎。逐 步丰富推荐应用场景。
1 应用场景：优先 应用于对原有系 统有极大提升效 果的场景，逐步 丰富业务推荐应 用场景。
2 推荐引擎：引入 多个推荐算法混 合的推荐机制； 打造基于社交场 景下的社会化推 荐引擎。
3 数据层：丰富数 据源， 丰富用户 研究模型，获取 用户隐性偏好。 提升在线推荐速 度和响应时间。
数据源
日志系统 DW 营销数据
其他数据源
用户其他相 关数据
未来扩充数据
其他互联网 网站数据
用户/产品数据挖掘分析
用户属性库
用户特征与兴趣偏好 娱乐 娱乐关注偏向 数据挖掘 关注偏向强度 商务 职业特点 工作特征
用户特征挖掘模型
产品属性库
产品研究体系 生活 活动区域 主要生活内容 心理特征 兴趣爱好 相似产品集归整 产品信息质量 评分 产品生命周期 产品关系链 特色产品
用户信息
物品信息
用户对物品的偏好信息
推荐给 推荐给
推荐引擎
推荐引擎 的核心能 力：针对 性、定向 主动推送 能力
推荐给
推荐给
物品
用户
推荐引擎 涉及的技术：
推荐引擎的三大特点
推荐系统的建设目标
搭建计算和存储平台，丰富推荐引擎算法，持续优化推荐
引擎模型，打造高质量、高性能、灵活扩展的推荐引擎。
通过开放API接口支撑应用场景的应用以及灵活扩展。逐步
推荐 引擎
算 法 层
过滤排序控制
过度推荐控制
补足推荐控制
冷启动处理控制
cep
基于内容的推 荐算法
协同过滤算法
关联规则推荐 算法
基于社会 网络的推荐 算法
推荐 交互 & 反馈 优化
其他算法
数 据 层
用户属性 库和统一 视图
用户标签 数据
产品内容数 据
反馈评价数 据
用户行为挖 掘模型数据
……..
用户、产品研究模型数据
丰富推荐应用场景，提升推荐引擎应用价值。
目彔
推荐系统建设背景与目标
推荐系统架构 推荐系统建设思路
推荐系统架构
推荐系统分层结构
应 用 层
应用场景1 应用场景2 应用场景3 应用场景4 ……
推荐渠道
推荐时机
推荐内容 推荐用户
API 层
参数传入接口
数据输出接口
数据采集接口
实时过滤排序
实时信息接口
用户行为 数据库 APP日志 提取和分析 用户兴趣特征 以APP推荐 为例
1:基于邻域的协同过滤 推荐算法 ItemCF：推荐给用户和 他们之前喜欢的类似的 应用 UserCF：推荐给用户那 些和他们兴趣相似的用 户喜欢的应用 2:关联规则算法
用户行为模型 产品相似度表
结果过滤和排名 最终推荐结果
推荐系统演进方向
4 运作模式：构建 推荐云开放平台 RCP，开放推荐 API，实现被推荐 业务接入和承载、 数据云存储和计 算。
推荐引擎是一个主动发现用户当前或潜在需求，幵且主动推送信息给 用户的信息网络。
推荐引擎建立在强大的数据挖掘和机器学习技术基础之上。 推荐引擎通过对海量用户数据的分析和挖掘，找到用户不信息产品之间的二元关系。
身边的推荐
如何满足用户的个性化需求？--推荐引擎
如何主动发现感兴趣的好友？如何为用户过滤出有价值的资讯和感兴趣的的话题? 如何寻 找自己喜欢的APP? 推荐系统可以解决这个问题。
Classification, SVM(similarity) LSA,LDA …
上下文信息: 匹配过滤： LBS，Time … 混合模型： Hybrid model
Rank、Filter、Feedback、Evaluation
目彔
推荐系统建设背景与目标
推荐系统架构 推荐系统建设思路
推荐引擎建设思路
丰富业务应用 • 优先应用于对原 有系统有极大提 升效果的场景， 逐步丰富业务应 用。
敏捷开发 • 保持系统的迭代速 度，寻求系统复杂 度和算法精度的平 衡。
Байду номын сангаас
搭建合理架构 • 分层解耦，集成化 平台，支持应用功 能的灵活扩展。
推荐应用构建示例
当开放平台引入的应用越来越多，当用户在众多的APP寻找一个需要的应用或者一个小游戏的 时候，如何在众多的应用中找到用户喜欢的？推荐引擎可以丌同用户主动推荐感兴趣的应用！