产品设计中的推荐引擎介绍

什么是推荐引擎？

推荐引擎利用特殊的信息过滤（IF，Information-Filtering）技术，将不同的内容（例如电影、音乐、书籍、新闻、图片、网页等）推荐给可能感兴趣的用户。通常情况下，推荐引擎的实现是通过将用户的个人喜好与特定的参考特征进行比较，并试图预测用户对一些未评分项目的喜好程度。参考特征的选取可能是从项目本身的信息中提取的，或是基于用户所在的社会或社团环境。

推荐引擎的分类

1. 个性化的推荐－－根据用户过去在网站的行为进行推荐。

2. 社会化推荐－－根据类似用户过去在网站的行为进行推荐。

3. 基于产品的推荐－－基于产品本身的特性进行推荐。

4. 以及上述三种的方法的组合。

推荐引擎的开放api

商业推荐引擎不仅仅用来把数据计算出来，在后期必须充分的利用这些高质量的推荐数据，通过推荐引擎的开放API，可以在任何需要调用推荐数据的地方使用这些高质量的推荐数据，实现集中计算，分散使用。企业推荐引擎的数据可以扩展到网站的任何一个角落，给互联网客户贴心的用户体验。

推荐引擎的通用算法

1.基于关联规则的推荐算法（Association Rule-based Recommendation）

2.基于内容的推荐算法 (Content-based Recommendation)

内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。

基于内容过滤的系统其优点是简单、有效。其缺点是特征提取的能力有限，过分细化，纯基于内容的推荐系统不能为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。

3.协调过滤推荐算法 （Collaborative Filtering Recommendation）

与传统文本过滤相比，协同过滤有下列优点:

1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐。

2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤。

3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。

缺点是:

1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）。

2）随着用户和商品的增多，系统的性能会越来越低（即可扩展性问题）。

3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

推荐引擎的过滤方式

1.基于内容的过滤

了解内容和用户的特质，送上合适产品的做法，被称为“基于内容的过滤” (Content Based Filtering)

2.协同过滤”(Collaborative Filtering) 的推荐方式