SEO外包平台,我们为您提供专业的企业网站SEO整站优化外包服务 SEO设置

SEO外包平台

专注于企业网站SEO整站优化外包服务

电商系统-7 推荐系统--揭开推荐的神秘面纱

作者:jcmp      发布时间:2021-04-29      浏览量:0
先推荐几篇关于推荐的文章,个人感觉

先推荐几篇关于推荐的文章,个人感觉对于入门很有实际意义,是IBM的工程师写的,如下:

探索推荐引擎内部的秘密,第 1 部分: 推荐引擎初探
探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 - 协同过滤
探索推荐引擎内部的秘密,第 3 部分: 深入推荐引擎相关算法 - 聚类

推荐两本书,如下:
项亮:《推荐系统实践》
蒋凡:《推荐系统》

推荐,就是把你可能喜欢的商品,推到你的面前。构建一个推荐系统,就是构建如何把商品推到你面前的过程。

经常有人说,推荐就是算法,从某种角度来说,这未尝不对。但在接触推荐系统之前,我们还是先不研究算法,一说到算法,可能就以为很高深了,也很唬人,立马产生一种膜拜之感,也就变得神秘起来了。
对于我们没有多少推荐理论支撑的工程师,进入推荐,还是先求入门。我们不缺实践,先通过工作中的实践领会某种推荐方案,再求通过阅读书籍、学习算法加深领会和理解,进而通过不同的推荐方案,以及其效果的客观评估,提高水平和境界。

第一步,当我们真正完完整整的接触到推荐系统,达到一个入门级水平,可以独立构建一个千万级PV网站的推荐系统之后,可能基本的观点会是:
(1)推荐是一个整体的计算过程,在编码中,关于算法的部分所占的工作量可能1%都不到;
(2)每一种推荐方案的选择,都是一种整体的计算过程。
构建一个千万PV级别的推荐系统相对容易,一天的日志不过几百M,计算过程中的数据,单台机器的内存可以存下,当PV达到几亿几十亿时,就需要进行稍微复杂一点的分布式计算了;
推荐的计算方法很多,如何选择,效果难以预料,只有通过横向和纵向多做效果分析,才有意义。
随着理解的加深,境界的提升,知识的更多了解,认知也都会处于不断的调整中。。。

计算的数据来源

Web访问日志、购买、收藏,这些实际是用户的行为数据;
用户,这是分析的基础数据;
商品,这是分析的基础数据;
计划日志的存储格式
如何标记同一个未登陆用户;如何找出未登陆用户和登陆用户是用一个人。
这是很重要的,这是以后日志分析计算的基础。

示例如下:

27.189.237.91 - - [27/Jun/2014:15:00:01 +0800] "GET 某个URL HTTP/1.1" 200 75 "前一个URL" "95907011.390482691.1402709325.1403851977.1403852394.7" "95907011.8a8a8aeb385a8c6b013860df24501310" [- - -] [image/webp,*/*;q=0.8] "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36" 

以上Web日志URL,95907011.390482691.1402709325.1403851977.1403852394.7 和 95907011.8a8a8aeb385a8c6b013860df24501310 ,使用google analysis的js代码记录的,分别用来标记未登录用户的ID和登录用户的ID。

对于google analysis的js代码的用途,这里衍生一下,实际上,完全可以基于它建立第三方的流量分析系统,流程如下:

(1)需要统计流量的网站进行查码,用来记录cookie等,并触发到服务器端的请求(可以是去请求一个不存在的图片)
(2)当服务器端接收到请求后,会把Head里面的网站访问流量相关信息进行记录,服务器端的程序是一个简单的Servlet即可。

计算过程第一步

根据用户行为数据,分析出用户和商品的关系;用户<-->浏览、用户<-->购买、用户<-->收藏等。

计算过程的第二步

根据第一步计算的数据,分析中常用的推荐结果,比如根据浏览数据,计算出“看了又看”,根据购买数据,计算出“买了又买”等。

基于业务的,推荐效果的评价体系;
基于技术的,大数据量时的分布式计算

前置项目: 这个相关项目就比较多了,网站、商品、订单,都有相关性。
最新源码: git clone git@github.com :pumadong/cl-recommend.git 。

大数据量计算、数据流实时计算、用户行为精准分析、用户聚簇细化、个性化推荐等。
可能更高级别的搜索推荐,还是需要搜索推荐理论的支撑,不同于实现层面的东西,这个可能存在境界层次方面的不同,认知了才知道。。。

对于日志的分析,可以统计网站的流量,但是要过滤掉对JS/CSS/IMG等静态资源的URL,只保留真实有效的访问。

在一个页面的访问过程中,浏览器会向服务器发起很多个请求,把HTML/CSS/IMG/JS等都下载下来,解析成美观的页面,展现给访问者,在这个过程中其实会在NGINX等Web服务器中,记录很多行日志。

关于流量统计,也有很多采用插码的方式,插码这种方式,业界的代码标准是Google的GA,插码的好处是可以统计记录更多信息(超出日志),可以自定义很多事件,收集更多信息。

当前google由于特殊原因国内不能直接访问,但是对于ga代码的统计是没有问题的,访问地址是: http://www.google-analytics.com/ga.js。
比较日志分析和插码两种方式,日志分析是有访问就记录日志,此时页面可能没展示完成访问者就关闭了;插码这种方式,只有执行到插入的JS代码的时候,才会记录流星;也就是前一种强调来过,后一种强调有效访问。

日志分析这种流量分析方式,需要过滤掉爬虫的IP地址;而插码就不需要,因为爬虫只会爬页面内容,并不会执行JS,JS的执行实际是浏览器的JS引擎帮我们做的。

另外,对于第三方的流量分析,则必须是插码,不可能使用日志分析。
官方网址: https://support.google.com/analytics

来源