本文主要是介绍大数据背后的推荐系统(Big Data Behind Recommender Systems)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文翻译自： https://indatalabs.com/blog/data-science/big-data-behind-recommender-systems原作者：Valeryia Shchutskaya
无论你的工作是否为用户体验、在线战略、移动战略、市场或者其他任何影响用户组织的一部分负责过，你肯定已经知道了一些被用来提供个性化内容的推荐技术。
推荐系统是大数据中最常见和最容易理解的应用之一，最著名的应用恐怕就是亚马逊公司的推荐引擎，其为浏览Amazon.com网站的用户提供个性化的内容。
但是不仅仅只有电子商务公司会用推荐引擎为用户提供额外的商品，推荐系统也可以被用在其他行业，以及具有不同的应用中使用，从推荐音乐、活动、产品到约会对象。
现在来看一下你的项目中能用上哪种推荐系统以及怎样运用它们。
推荐技术背后的科学
大多数推荐引擎工作有两种办法。它们都可以依靠每个用户喜欢的商品的属性来发现用户也可能喜欢的其他商品（基于内容的过滤方法）；
基于内容过滤法
或者推荐引擎可以以依靠喜好和其他用户的愿望来计算用户之间的相似性指数并据此推荐项目给他们（协同过滤法）。
协同过滤
也有可能通过结合两种引擎来构建一个更加成功的推荐系统。
推荐引擎运用的数据类型：
用户行为数据
- 在线活动日志（点击、搜索、浏览的网页和内容）
- 离线活动（邮件、移动应用和推送通知中的点击追踪）
特定条目细节
- 标题
- 策略
- 价格
- 描述
- 等等．
与上下文有关的信息
- 使用的设备
- 目前定位
- 传送的URL链接
对于两种类型算法的一致性操作，所有的三个数据源是同等的重要。为了得到你客户尽可能全面的描述，你不仅应该知道他或她在你的网站和你竞争对手的网站上浏览了什么，也应该知道他使用的频次、地理位置和设备。有了这些信息能给你的销售额带来近29%的增长，这可是Amazon公司在他们的网站上部署推荐引擎后亲自得到的结果。
为什么要融合推荐系统
推荐系统正在为以下领域提升效率：
- 增加销售量
- 出售更多不同的商品
- 提升用户满意度
- 更好的理解用户想要什么
将推荐引擎投入到工作中的例子：
个性化产品推荐
推荐系统帮助理解每一位访问者的喜好和意图，并及时地展示相关的推荐类型和商品。随着引擎对每位访问者了解到更多，推荐系统也就得到了提升。
网站个性化
允许以实时区分和定位用户的个性化消息与提醒来增加销量和转化。
及时通知
这样的引擎帮助品牌建立与用户之间的信任，并在顾客访问网站时通过及时展示通知构造一种存在感和紧迫感。
个性化的客户忠诚度项目和服务
数个研究表明，与千篇一律的内容相比，人们对提供个性化服务的项目更感兴趣，与客户忠诚度有关的项目更是如此。这样的引擎基于与用户的实时交互能够定制推荐内容。数据分析算法运用不同的购买行为并整合上下文信息来关注不同的产品策略，这也提升了推荐的质量。
推荐引擎目前位于预测市场的前沿和核心，关键是使他们能够被几乎所有行业利用来最优化和提升客户体验。
请检索InData实验室的数据分析产品Snipe，以整合推荐系统来为您的事业带来更多的价值。
这篇关于大数据背后的推荐系统(Big Data Behind Recommender Systems)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
