混合推荐算法的优缺点_混合并购案例3篇

数据准备

为用户guyong准备基于用户的推荐结果

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

准备物品与物品的相似度数据–基于物品的相似度推荐

准备物品与物品的相似度数据----基于内容的相似度推荐

为广告位（猜你喜欢）121准备默认的推荐结果

初始化所有的商品信息

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。