混合推荐算法的优缺点_混合并购案例3篇

(59) 2024-07-26 20:01:01

数据准备

为用户guyong准备基于用户的推荐结果
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第1张
为用户guyong准备基于物品的推荐结果,该结果基于用户上一次的浏览记录生成
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第2张
准备物品与物品的相似度数据–基于物品的相似度推荐
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第3张
准备物品与物品的相似度数据----基于内容的相似度推荐
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第4张
为广告位(猜你喜欢)121准备默认的推荐结果
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第5张
初始化所有的商品信息
混合推荐算法的优缺点_混合并购案例3篇 (https://mushiming.com/)  第6张

功能实现分析

1)用户在商城浏览商品,将用户的浏览记录保存到Cookie,随着用户的请求传送给推荐服务接口。推荐服务接收到用户的基本信息和浏览信息。
另一种思路,可以通过消费点击流日志,将用户的行为保存到Redis中,推荐服务通过访问Redis获取用户的行为记录。

2)推荐接口从用户的基本信息中获取到三种推荐结果(离线结果)

  • 基于历史数据,计算的基于用户的协同过滤的推荐结果,推荐数量24。
  • 基于用户上一次行为记录,计算的基于物品的协同过滤推荐结果,推荐数量24。这里根据用户对某一个商品的浏览次数进行加权。
  • 基于用户上一次行为记录,计算的基于内容的推荐结果,推荐数量24。这里根据用户对某一个商品的浏览次数进行加权。

3)推荐接口从用户的浏览信息中获取用户当前会话的的行为记录,并以此计算基于物品和基于内容的实时推荐结果

  • 基于用户本次会话的记录,计算基于物品的推荐结果,推荐数量为24
  • 基于用户本次会话的记录,计算基于内容的推荐结果,推荐数量为24。

4)对以上的反馈的推荐结果进行排序,排序的过程中对商品去重

  • 按照业务需求对结果排序,第一位是基于物品的实时推荐结果,依次类推。在排序的过程汇中,需要对推荐的商品进行排序。
  • 推荐结果生成完毕之后,对整体的推荐结果的产品数量进行补全和删除操作。补全使用该推荐位的默认推荐产品进行补全。

5)设置业务人员强推的商品,根据业务人员指定的商品序号,替换掉推荐结果中对应序号的推荐商品。
注:整体思路如此,后续推荐模型可以持续进行优化,包括对推荐结果进行加权。

THE END

发表回复