1、課程介紹課程內(nèi)容1、業(yè)務(wù)需求 某電商網(wǎng)站首頁(yè)有猜你喜歡推薦位，該推薦位一次能展示6個(gè)商品，推薦內(nèi)容可以更換四次，共需推薦24個(gè)商品。 需要使用協(xié)同過(guò)濾算法（user CF & Item CF）及基于物品內(nèi)容的算法進(jìn)行混合推薦。 一次性展示的6個(gè)商品中，從左到右的順序分別是：o 第一位：基于物品的實(shí)時(shí)推薦結(jié)果o 第二位：基于用戶的離線推薦結(jié)果o 第三位：基于物品的離線推薦結(jié)果o 第四位：基于內(nèi)容的實(shí)時(shí)推薦結(jié)果o 第五位：基于物品的實(shí)時(shí)推薦結(jié)果o 第六位：基于用戶的離線推薦結(jié)果 如有業(yè)務(wù)需要推廣產(chǎn)品，可以指定推廣產(chǎn)品出現(xiàn)在某一個(gè)位置上。如下圖，在第一位上硬推某產(chǎn)品。2、需求分析 大型網(wǎng)站的推薦位不

2、僅僅只有一個(gè)，需要對(duì)每個(gè)廣告位進(jìn)行編號(hào)，比如猜你喜歡的廣告位編號(hào)是121 每個(gè)推薦位是一個(gè)獨(dú)立的推薦產(chǎn)品，需要對(duì)每個(gè)廣告位開(kāi)發(fā)獨(dú)立的推薦模型 每個(gè)推薦位需要配置特有的推薦規(guī)則和排序規(guī)則 為了容錯(cuò)，每個(gè)推薦位都需要默認(rèn)的推薦產(chǎn)品，當(dāng)推薦系統(tǒng)無(wú)法計(jì)算正常的結(jié)果時(shí)，使用默認(rèn)產(chǎn)品進(jìn)行推薦。 各個(gè)推薦模型推送的商品可以能重復(fù)和下線的商品，需要對(duì)商品進(jìn)行進(jìn)行去重和過(guò)濾處理 推薦結(jié)果計(jì)算完畢之后，將硬推廣告放進(jìn)去。3、數(shù)據(jù)準(zhǔn)備 為用戶guyong準(zhǔn)備基于用戶的推薦結(jié)果 為用戶guyong準(zhǔn)備基于物品的推薦結(jié)果，該結(jié)果基于用戶上一次的瀏覽記錄生成 準(zhǔn)備物品與物品的相似度數(shù)據(jù)-基于物品的相似度推薦 準(zhǔn)備物品與物

3、品的相似度數(shù)據(jù)-基于內(nèi)容的相似度推薦 為廣告位（猜你喜歡）121準(zhǔn)備默認(rèn)的推薦結(jié)果 初始化所有的商品信息4、功能實(shí)現(xiàn)分析 1）用戶在商城瀏覽商品，將用戶的瀏覽記錄保存到Cookie，隨著用戶的請(qǐng)求傳送給推薦服務(wù)接口。推薦服務(wù)接收到用戶的基本信息和瀏覽信息。另一種思路，可以通過(guò)消費(fèi)點(diǎn)擊流日志，將用戶的行為保存到Redis中，推薦服務(wù)通過(guò)訪問(wèn)Redis獲取用戶的行為記錄。 2）推薦接口從用戶的基本信息中獲取到三種推薦結(jié)果（離線結(jié)果）o 基于歷史數(shù)據(jù)，計(jì)算的基于用戶的協(xié)同過(guò)濾的推薦結(jié)果，推薦數(shù)量24。o 基于用戶上一次行為記錄，計(jì)算的基于物品的協(xié)同過(guò)濾推薦結(jié)果，推薦數(shù)量24。這里根據(jù)用戶對(duì)某一個(gè)商品

4、的瀏覽次數(shù)進(jìn)行加權(quán)。o 基于用戶上一次行為記錄，計(jì)算的基于內(nèi)容的推薦結(jié)果，推薦數(shù)量24。這里根據(jù)用戶對(duì)某一個(gè)商品的瀏覽次數(shù)進(jìn)行加權(quán)。 3）推薦接口從用戶的瀏覽信息中獲取用戶當(dāng)前會(huì)話的的行為記錄，并以此計(jì)算基于物品和基于內(nèi)容的實(shí)時(shí)推薦結(jié)果o 基于用戶本次會(huì)話的記錄，計(jì)算基于物品的推薦結(jié)果，推薦數(shù)量為24o 基于用戶本次會(huì)話的記錄，計(jì)算基于內(nèi)容的推薦結(jié)果，推薦數(shù)量為24。 4）對(duì)以上的反饋的推薦結(jié)果進(jìn)行排序，排序的過(guò)程中對(duì)商品去重o 按照業(yè)務(wù)需求對(duì)結(jié)果排序，第一位是基于物品的實(shí)時(shí)推薦結(jié)果，依次類(lèi)推。在排序的過(guò)程匯中，需要對(duì)推薦的商品進(jìn)行排序。o 推薦結(jié)果生成完畢之后，對(duì)整體的推薦結(jié)果的產(chǎn)品數(shù)量進(jìn)行

5、補(bǔ)全和刪除操作。補(bǔ)全使用該推薦位的默認(rèn)推薦產(chǎn)品進(jìn)行補(bǔ)全。 5）設(shè)置業(yè)務(wù)人員強(qiáng)推的商品，根據(jù)業(yè)務(wù)人員指定的商品序號(hào)，替換掉推薦結(jié)果中對(duì)應(yīng)序號(hào)的推薦商品。注：整體思路如此，后續(xù)推薦模型可以持續(xù)進(jìn)行優(yōu)化，包括對(duì)推薦結(jié)果進(jìn)行加權(quán)。5、產(chǎn)品原型設(shè)計(jì)產(chǎn)品經(jīng)理進(jìn)行原型設(shè)計(jì)6、項(xiàng)目開(kāi)發(fā)6.1、整體架構(gòu)1）數(shù)據(jù)平臺(tái)：在數(shù)據(jù)平臺(tái)上，針對(duì)每個(gè)用戶計(jì)算好三個(gè)推薦結(jié)果，基于用戶的推薦結(jié)果、基于物品的推薦結(jié)果、基于內(nèi)容的推薦結(jié)果?；谖锲返南嗨贫?、基于內(nèi)容的相似度。2）Redis數(shù)據(jù)緩存：通過(guò)獨(dú)立的Java應(yīng)用將每個(gè)用戶的推薦結(jié)果和基于物品的相似度與基于內(nèi)容的相似度信息導(dǎo)入到Redis緩存集群中。3）獲取推薦結(jié)果；推薦結(jié)果有兩種：一種是已經(jīng)計(jì)算好的離線推薦結(jié)果，直接獲取即可，另一種是根據(jù)用戶實(shí)時(shí)的瀏覽記錄計(jì)算新的推薦結(jié)果。第二種推薦結(jié)果主要依賴(lài)三種數(shù)據(jù)，用戶的瀏覽記錄、基于物品的相似度、基于內(nèi)容的相似度。4）排序過(guò)濾：將推薦的結(jié)果按照業(yè)務(wù)規(guī)則進(jìn)行混合排序及去重等操作。5）最終推薦結(jié)果：基于業(yè)務(wù)業(yè)務(wù)規(guī)則對(duì)業(yè)務(wù)推薦的產(chǎn)品進(jìn)行設(shè)置。6.2、 代碼開(kāi)發(fā)6.2.1、獲取某電商的產(chǎn)品信息通過(guò)爬取某電商專(zhuān)題頁(yè)的產(chǎn)品信息，作為本案的基礎(chǔ)數(shù)據(jù)。猜你喜歡推薦接口，輸入廣告位編號(hào)、用戶編號(hào)、用戶當(dāng)前會(huì)話瀏覽的商品口 猜你喜歡推薦模塊實(shí)現(xiàn)o 猜你喜歡推薦模塊主要流程o