个性化推荐是通过海量数据挖掘，为用户提供个性化的信息推荐或者帮助用户进行决策的一种推荐方式。该推荐方法在实际中的应用较为广泛，电商平台的购物推荐，信息聚合平台的新闻推荐，音乐视频网站的相关推荐以及个性化广告的展示等等，都是该方法在各行业的应用。根据长尾理论，一个好的个性化推荐方法是可以挖掘到长尾的不被关注的信息。
任何系统或者算法在使用时，都是有一定的前提。个性化推荐系统的应用有两个前提。一，信息过载；二是用户没有明确的目的，在这两个条件都满足的情况下，推荐系统才能发挥它自己独特的魅力。假如信息没有过载，比如在某个新闻聚合平台上，每天只有10篇新闻，花10分钟即可浏览完毕，推荐系统此时的存在并无意义；假若用户已有了明确的目的，那么他们需要的是搜索引擎，百度一下，即可立马知道相关信息。因此只有当两个条件同时满足时，推荐系统才能真正的为人所用。
那推荐系统的价值呢？通过对个性化推荐的定义与存在前提两个部分进行解释，我们可以发现，个性化推荐的根本目的在于提供一个用户与对用户有价值感兴趣的信息之间的渠道，在这个渠道中，不仅仅用户可以获得自己感兴趣的信息，同时，有价值的信息也会出现在相应的用户面前。
根据方式的不同，个性化推荐分为社会化推荐、基于内容的推荐、基于协同过滤的推荐三种方式，接下来我们依次解释并举例子
社会化推荐是比较简单的一种推荐方法，通过用户自己的社交网络关系进行信息推荐，物以类聚人以群分，好友中越多的人对某条信息越感兴趣，则预测你可以对该条信息的兴趣度越大，如微信中的游戏推荐（见下图），大家可以看到，自己好友正在一起玩的游戏列表，在我的朋友中，有40个人都在玩王者，没错，我也在玩王者。当然，游戏与即时通讯平台一样具有极高的社交性，社交关系越强烈，平台的稳固性及增长率就会越大。
基于内容的推荐通过对用户对物品或者信息的爱好，计算其他物品与其的相似性，并推荐给用户。以淘宝网为例，一件衣服的相似衣服则是通过内容的相似度进行匹配。
通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。基于协同过滤的推荐分为两类，一类是基于用户的协同过滤算法，另一类是基于物品的协同过滤算法。
基于用户的协同过滤是先计算用户间的相似度，然后将相似度较高的用户的其他商品进行推荐，计算用户间的相似度是通过过去两个用户的购买行为或者浏览行为，同时考虑不同行为的权重&满意度计算而来。该方法会带来冷启动问题，若一个用户第一次登录，并无任何行为则无法使用该方法进行推荐。
基于物品的协同过滤算法是先计算不同物品间的相似度，在利用用户对其的评价，进行加权处理，然后给用户推荐相关的数据。因此在做物品的协同过滤时，不同物品间的相似度应在线下进行计算并准备好。
其实在现在的系统中，推荐系统不再仅仅是一种方法的使用，而是不同方法下的结合，在不同的场景下使用不同的推荐方法。
所谓个性化营销(Personalization Marketing)，最简单的理解就是量体裁衣。就是企业面向消费者，直接服务于顾客，并按照顾客的特殊要求制作个性化产品的新型营销方式。它避开了中间环节，注重产品设计创新、服务管理、企业资源的整合经营效率，实现了市场的形成和裂变发展，是企业制胜的武器。特别是随着信息技术的发展，个性化营销的重要性日益凸显。有利的地方就是接受信息会更加方面直接一些，不利的地方就是隐私没有得到保证，很容易将自己泄露在网络之中。
个性化推荐系统是互联网和电子商务发展的产物，它是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务和决策支持。近年来已经出现了许多非常成功的大型推荐系统实例，与此同时，个性化推荐系统也逐渐成为学术界的研究热点之一。
个性化推荐系统的推荐引擎在个性化算法的框架基础之上，还引入场景引擎、规则引擎和展示引擎，形成全新的百分点推荐引擎的技术框架，系统通过综合并利用用户的兴趣偏好、属性，商品的属性、内容、分类，以及用户之间的社交关系等等，挖掘用户的喜好和需求。
相关信息
随着推荐技术的研究和发展，其应用领域也越来越多。例如，新闻推荐、商务推荐、娱乐推荐、学习推荐、生活推荐、决策支持等。推荐方法的创新性、实用性、实时性、简单性也越来越强。电子商务推荐算法可能会面临各种难题。
例如大型零售商有海量的数据，以千万计的顾客，以及数以百万计的登记在册的商品；实时反馈需求，在半秒之内，还要产生高质量的推荐；新顾客的信息有限，只能以少量购买或产品评级为基础。老顾客信息丰富，以大量的购买和评级为基础；顾客数据不稳定，每次的兴趣和关注内容差别较大，算法必须对新的需求及时响应。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）