推荐架构

 

• Offline Recommend（离线层）
  • 作用：对海量数据进行离线加工
  • 工具：Hadoop/Spark
• Nearline Recommend（近线层）
  • 作用：利用流式处理技术对实时产生的数据进行加工
  • 工具：Storm/Spark
• Online Recommend（在线层）
  • 作用：负责在线运算，处理简单的运算逻辑
  • 工具：Webpy/Java
• 基础数据采集
  • 工具：MongoDB/HDFS
• 基础数据处理
  • MapReduce/Spark
• 数据持久化
  • Redis/MongoDB/Memcache

推荐算法

算法一：CB算法

CB算法（Content Base）：基于内容的推荐算法

算法二：User Based CB算法

CB算法（Content Base）：入User属性的基于内容推荐算法

 

算法三：User Based CF算法

CF算法（Collaboration Filtering）基于协同的推荐算法

• User Based CF
• Item Based CF

通过User-Item矩阵计算两个用户之间的相似度

假设：

• 用户喜欢那些跟他有相似爱好的用户喜欢的东西
• 具有相似爱好的用户在未来也具有相似爱好

方法：

• 给定用户-商品集合N（u），他们和u具有相似爱好
• 将N（u）喜欢的物品推荐给u

算法四：Item Based CF算法

通过User-Item矩阵计算两个产品之间的相似度

假设：

• 用户喜欢跟他过去喜欢的物品相似的物品
• 历史上相似的物品在未来也相似

方法：

• 给定用户u，找到他过去喜欢的物品的集合R(u)
• 将R（u）相似的物品推荐给u

User Based CF 和 Item Based CF 区别

CF算法的优缺点