1、服務(wù)于個性化營銷的推薦系統(tǒng)實現(xiàn)與應(yīng)用項目背景商務(wù)活動的電子化大數(shù)據(jù)時代（Big Data）個性化商業(yè)推薦系統(tǒng)在電子商務(wù)的應(yīng)用推薦系統(tǒng)利用特殊的信息過濾技術(shù)，將不同的物品或內(nèi)容推薦給可能對它們感興趣的用戶。推薦系統(tǒng)的應(yīng)用現(xiàn)狀A(yù)mazon35%銷售額來自推薦尋求先進(jìn)算法Netflix放出百萬大獎淘寶銷售額90%以上仍來自搜索與類目等傳統(tǒng)手段京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個性化推薦國內(nèi)少量個性化推薦的實現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）VS國外國內(nèi)Amazon35%銷售額來自推薦國外尋求先進(jìn)算法Netflix放出百萬大獎Amazon35%銷售額來自推薦國外VS尋求先進(jìn)算法Netflix放出百萬

2、大獎Amazon35%銷售額來自推薦國外淘寶銷售額90%以上仍來自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬大獎Amazon35%銷售額來自推薦國外國內(nèi)淘寶銷售額90%以上仍來自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬大獎Amazon35%銷售額來自推薦國外京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個性化推薦國內(nèi)淘寶銷售額90%以上仍來自搜索與類目等傳統(tǒng)手段VS尋求先進(jìn)算法Netflix放出百萬大獎Amazon35%銷售額來自推薦國外國內(nèi)少量個性化推薦的實現(xiàn)多是基于協(xié)同過濾算法（豆瓣猜）京東，淘寶上的應(yīng)用仍是基于關(guān)聯(lián)規(guī)則的非個性化推薦國內(nèi)推薦給淘寶帶來的銷售額卻低

3、于10%VS尋求先進(jìn)算法Netflix放出百萬大獎Amazon35%銷售額來自推薦國外個性化營銷的技術(shù)體系技術(shù)體系的優(yōu)勢：技術(shù)體系的優(yōu)勢：PythonPython語言的靈活性與語言的靈活性與C C語言的運算高效性相結(jié)合；語言的運算高效性相結(jié)合；基于基于SQL+PythonSQL+Python語言的數(shù)據(jù)分析與高精度的算法相結(jié)合。語言的數(shù)據(jù)分析與高精度的算法相結(jié)合。算法體系：核心算法+常規(guī)算法核心算法：核心算法：基于網(wǎng)絡(luò)的物質(zhì)擴(kuò)散方法基于網(wǎng)絡(luò)的物質(zhì)擴(kuò)散方法(MD)(MD)：基于用戶基于用戶- -商品二部分網(wǎng)絡(luò)上商品二部分網(wǎng)絡(luò)上的物質(zhì)擴(kuò)散過程。的物質(zhì)擴(kuò)散過程。擴(kuò)展方法：擴(kuò)展方法：多步擴(kuò)散多步擴(kuò)散非均

4、勻擴(kuò)散法非均勻擴(kuò)散法熱傳導(dǎo)熱傳導(dǎo)- -物質(zhì)物質(zhì)擴(kuò)散擴(kuò)散混合混合算法算法初始資源加權(quán)法初始資源加權(quán)法全局排序全局排序(GRM)：用戶沒有選擇過的最熱門的商品；用戶沒有選擇過的最熱門的商品；基于商品的協(xié)同過濾算法基于商品的協(xié)同過濾算法(OCF)：基于商品之間的關(guān)基于商品之間的關(guān)聯(lián)性。聯(lián)性。常規(guī)算法算法體系的優(yōu)勢核心算法的優(yōu)勢A 算法新。算法新。原型算法相關(guān)文章最新發(fā)表在2010年P(guān)NAS（美國科學(xué)院院刊）上，在學(xué)術(shù)界是獨樹一幟，企業(yè)界還是首次應(yīng)用；A 精度高，解決了數(shù)據(jù)稀疏性問題。精度高，解決了數(shù)據(jù)稀疏性問題。標(biāo)準(zhǔn)數(shù)據(jù)集（movielens, netflix）上精度比一般協(xié)同過濾算法高14%；在數(shù)

5、據(jù)稀疏性高的數(shù)據(jù)集上（淘寶書類目下），精確度比協(xié)同過濾高900%；A 代碼易實現(xiàn)，占用資源少，執(zhí)行效率高。代碼易實現(xiàn)，占用資源少，執(zhí)行效率高。拋棄了協(xié)同過濾計算關(guān)聯(lián)矩陣這一耗時和占用內(nèi)存的步驟，易在大規(guī)模數(shù)據(jù)集上實現(xiàn)。多種的算法結(jié)合，針對不同特點的數(shù)據(jù)集，彌補(bǔ)算法間的不足。成功案例一：在手機(jī)閱讀平臺的應(yīng)用個性化營銷體系的數(shù)據(jù)分析功能手機(jī)閱讀時間的分析手機(jī)平臺匹配性分析手機(jī)閱讀種類分析手機(jī)行為量的統(tǒng)計分析手機(jī)營銷參數(shù)分析手機(jī)閱讀用戶年齡分析數(shù)據(jù)分析舉例：閱讀時間的分析分析結(jié)論：周末效應(yīng)明顯，星期日總是局部高峰；營銷建議：建議在周末進(jìn)行短信推送等相關(guān)營銷。數(shù)據(jù)分析舉例：平臺匹配性分析分析結(jié)論：對于

6、部分低端手機(jī)，由于平臺不匹配，因此要成為活躍的閱讀用戶可能性非常??；過于高端可能會有更豐富的娛樂選擇而放棄手機(jī)閱讀；營銷建議：手機(jī)閱讀營銷活動建議區(qū)分手機(jī)平臺，中端智能手機(jī)用戶是比較好的潛在用戶。數(shù)據(jù)分析舉例：手機(jī)閱讀用戶年齡分析分析結(jié)論：2040這個年齡階段是主力群體，占據(jù)了70%用戶份額；1822是大學(xué)期間，份額不??；另外則是剛畢業(yè)進(jìn)入職場的群體。數(shù)據(jù)分析起到的作用與企業(yè)談判前期，通過數(shù)據(jù)分析給出有價值的營銷建議取得合作方的信任個性化推送展開后，通過數(shù)據(jù)挖掘找出潛在的用戶群體，選擇最佳時間點進(jìn)行推送，以便得到更佳的推送效果個性化短信推送的實施方案用戶選取了總pv量大于10間的共49892個

7、用戶，并分為了兩組；useid為奇數(shù)的有24828個，為實驗組，對此組用戶進(jìn)行個性化推薦；useid為偶數(shù)的有25064個，為對照組，移動公司方選取一本熱門書對所有用戶推薦（這次的書名為北海戀人）。然后比較這兩組的推薦效果；每人只做一次推薦，一次只推薦一本書。個性化短信推送的實施效果推薦當(dāng)日的激發(fā)pv量以及隨后9天的激發(fā)pv量比較（紅色代表實驗組 黃色代表對照組）個性化推薦效果總結(jié)個性化推薦比移動公司推薦11天激發(fā)的pv總量提高了3535倍；倍；pv次日保持率比企業(yè)方推薦提高了8 8倍；倍；當(dāng)日激發(fā)用戶數(shù)比企業(yè)方推薦提高了9 9倍。倍。說明：以上效果對比是抵消了通過數(shù)據(jù)分析在時說明：以上效果對

8、比是抵消了通過數(shù)據(jù)分析在時間，用戶選擇方面優(yōu)化后的提升，因此實際提升間，用戶選擇方面優(yōu)化后的提升，因此實際提升應(yīng)該是更大。應(yīng)該是更大。成功案例二：基于淘寶的個性化推薦系統(tǒng)實踐淘寶數(shù)據(jù)具有高度稀疏性女裝包括的用戶：女裝包括的用戶：28633802863380，商品：，商品：305003305003；平均；平均每個用戶購買：每個用戶購買：1.74251.7425個商品；平均每個商品被個商品；平均每個商品被購買：購買：16.3616.36次；數(shù)據(jù)稀疏性達(dá)百萬分之六；次；數(shù)據(jù)稀疏性達(dá)百萬分之六；書包括的用戶：書包括的用戶：10464931046493，商品：，商品：7796777967；平均每；平均每個用戶購買：個用戶購買：2.0682.068個商品；平均每個商品被購買：個商品；平均每個商品被購買：2.7762.776次；數(shù)據(jù)稀疏性達(dá)百萬分之二點六。次；數(shù)據(jù)稀疏性達(dá)百萬分之二點六。全局排序（藍(lán)色）、協(xié)同過濾（黃色）、熱傳導(dǎo)（紫色）與物質(zhì)擴(kuò)散（紅色）全局排序（藍(lán)色）、協(xié)同過濾（黃色）、熱傳導(dǎo)（紫色）與物質(zhì)擴(kuò)散（紅色）等四種算法的比較結(jié)果圖示。淘寶推薦實驗的理論效果對于書的推薦算法