java 推荐系统_电商个性化推荐系统：协同过滤算法方案解析

算法简介

在网络资讯和电子商务信息爆炸式的增长，繁杂的信息中容易造成流失，再次背景下用户的个性化推荐系统显得尤为重要，对电子商务平台和社交信息平台产生了质的影响。

协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。

其主要价值体现在：

将潜在用户转化为支付用户；

提升电子商务平台交叉销售能力；

提升客户对网站的忠诚度；

提升广告渠道转化效率；

提升用户个性化体验。

协同过滤算法分类

基于用户的协同过滤算法(user-based collaboratIve filtering，简称：ucf)

基于物品的协同过滤算法(item-based collaborative filtering，简称：icf)

算法阶段性工作内容

第一阶段

建立用户行为评分权重模型，达到对用户行为数据化和可视化，。

以电子商品平台为例：

某用户进入商品下单页权重2%；

点击详情权重8%；

收藏15%；

支付20%；

分享15%；

好评20%；

评分20%；

差评即分数为负数(向量为反方向)。

第二阶段

建立测试集和训练集。

训练集：用于模型构建；

测试集：用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。

测试集和训练集的建立是为了防止模型的构建过度拟合，更是为了监测模型的准确性和可行性，方便对模型进一步修正。

例如：在班级内按身高、腰围定制了衣服，衣服制作后全班同学穿上很适合，但当这个做衣服标准推行到全校时，制作的衣服很多同学穿不了，原因可能是没有考虑到肩宽、臂展等。此处本班是训练集，其他班是测试集。

第三阶段

建立合理的数据监控，监视召回率、准确率和覆盖率。为模型后期修正提供依据。

计算公式

欧几里德距离公式

(为方便控制可取倒数，使结果分布在0—1之间)

余弦定理计算公式(N维空间)

(此处V1和V2为向量)

计算流程

应用实例

【余弦公式和ICF为例】以用户实际评分为起点，建立商品评分矩阵(如下表)

通过计算4个用户(四维空间中)对4件商品的评分我们获得了用户间的相关性数据(如下表)。

系数浮动区间在-1~1之间，系数越靠近1，向量夹角越小，两件商品的相关性越高，由此可见A&B、A&D的相关性最高，C&D相关性很弱。

相关系数：

强：0.8—1.0；

较强：0.6—0.8；

一般：0.4—0.6；

弱/不相关：  0—0.4；

不推荐：-1.0—0；

2、利用用户对某商品产生过的记录计算其相关性。

【例如】：某用户对商品A和商品B的行为得分为权重，对商品C和商品D进行加权排序，得分高者优先推荐。

根据相关性和加权评分后，商品C优先被推荐。

数据去噪修正

对大众化，一线流程产品进行剔除，原因是本来具有超高曝光率和知名度的产品，不推荐用户才能很快触达，不必进行不需要的推荐。

对用户浏览和购买过的商品进行剔除，以免造成重复性。

对商品归一分类，避免商品的跨类别推荐，造成用户并不需要此类商品。

【 例如】：对某用户买衣服A，经过算法的综合排名，发现排第一的是方便面，排第六的才是衣服B，结果推荐了方便面岂不闹了笑话。但是对商品进行了归一分类，服装类商品只限推荐服装，这样服装B就会优先推荐。

对商品类别间建立合理的加分机制，并对低频商品建立合理的惩罚分值，使其推荐其他周边商品。

【例如】：家具类商品为低频商品，用户长时间内只需要买一件，购买后再次推荐也无法提升支付率。但是可以在用户支付下单后，通过计算，推荐家具的其它周边商品(例如：饰物、窗帘等)。由于设定合理的惩罚分值和相关商品类别的加分机制，可以一定程度上提高周边商品的推荐率，降低低频商品的推荐率，从而由侧面提升支付转化率。

方案弊端

数据稀疏性。由于此类协同过滤的模型需要有训练数据支撑，而在冷启动期间用户不会在数据模型中完成所有项目，所以数据会有稀疏性。

【解决思路】：可以按该类别商品的用户平均水平进行推荐(项目冷启动期间的方案待探讨)。

可扩展性。协同过滤算法能够容易地为千万记用户提供量化的推荐，但是对于电子商务网站，往往需要给成千上万的用户提供推荐，这就一方面需要提高响应速度，能够为用户实时地进行推荐;另一方面还应考虑到存储空间的要求，尽量减少推荐系统运行对系统的负担。

【解决思路】：划定计算范围，对无记录和类别相关性差距较大的商品、无操作记录的用户进行剔除性。由此减少计算压力。同时为提升用户体验，可以在离线期间对推荐数据进行训练和计算。但以上方案会在一定程度上影响到推荐的精确

以上解决思路需进一步探讨，欢迎大家一起进行交流~~

结语

真正完善的个性推荐系统需要进行基于物品的协同过滤、基于内容的协同过滤和基于模型的协同过滤组合使用，并结合平台自身的商业模式、业务模式特性、召回率、覆盖率和转化率进行不断的优化，建立各种辅助模型才能达到最优。