基于Mahout的推荐系统的设计与实现(4)
第2章 推荐系统分析与设计
2.1 需求分析
近年来电子商务规模蓬勃发展，商品个数和种类日益膨胀，顾客在找到自己喜欢的商品之前通常需要花费大量的时间和精力，在大数据膨胀的今天，大量与自身无关的信息的浏览常常使人感到力不从心。个性化推荐能记录通过用户在网站上曾经的行为来收集用户的特征资料，将用户的登录名与该用户的特征资料相绑定，并依据用户个人特征，如社会角色、兴趣爱好，向用户提供个性化的服务。而且，系统为用户进行的个性化推荐并非永远不变，恰恰相反，系统通过机器学习不断实时更新用户的特征资料库，用户与网站的交互越多，那么系统对用户的特征判断越准确，而且当推荐系统中的商品信息或用户特征发生变动时，系统能够依据相应的变化有针对性地产生更加准确的推荐结果。一个成功的个性化推荐系统能够使得用户不仅浏览商品而且会购买用户喜好的商品，不仅能够为电子商务网站增加销售量，提高销售额，而且能增加用户对电子商务网站推荐的依赖性[ ]。
2.2 推荐引擎选择
当用户的需求是明确的时候，用户会选择使用搜索引擎直接搜索自己需要获取的信息，但是在日常生活中，用户常常对自己潜在的需求不是很明确，而推荐引擎正是为解决用户潜在需求而产生的。推荐引擎往往是综合信息过滤、数据挖掘等多门技术于一身，将不同的信息内容经过机器学习确定用户的偏好，然后将预测的商品推荐给在电子商务网站上正在浏览的顾客。通常，推荐引擎的是通过记录用户在网站上浏览商品时的行为特征（购买、搜索、点击、浏览等），将这些与用户的偏好比较，尝试预测用户对其他物品的喜欢程度，这些商品一般是用户尚未接触但是可能喜欢的。行为特征来自于客户在电子商务网站上曾经做出的个人举动[ ]。
依照不同的标准，我们对推荐引擎做出如下分类:
一、依据目标用户的不同，我们将推荐引擎分为:
（一）大众化推荐是指对不同的用户做出相同的推荐，这些推荐是电子商务网站在后台固定的，往往是依据最近比较热销的产品或者降价销售的产品，将这些商品放在网站页面的广告位上向所有登录该网站的用户进行推荐。
（二）个性化推荐是指电子商务网站依据记录的用户不同的特征行为对用户做出不同的推荐。这些推荐一般是比较符合用户的兴趣和爱好。这种推荐是人工智能的体现。
二、依据数据源的来源的不同，我们可以将推荐引擎分为:
（一）统计学推荐:通过统计学发现某类用户的喜好，然后将该喜好推荐给同类的用户。比如说经过统计学分析大量男性用户喜欢军事类的书籍，那么推荐系统就将军事类的书籍推荐给其他的男性用户。
（二）基于内容的推荐:依据内容的相关性做出推荐。视频网站往往会对用户正在点播的电影的同类电影或者该电影主演也演过的其他电影做出推荐。
（三）基于协同过滤的推荐:通过用户记录，查找出用户或者物品之间的相关性，根据相关性做出推荐。网站中出现的“喜欢该商品的用户也喜欢”的场景就是该推荐引擎的具体应用。