我们正在 build 的市场允许人们列出他们要出售的东西，但要以批处理/袋子/盒子的形式出售。我们正在寻求为此建立一个推荐引擎，但那里的大多数文章似乎更适合“销售”大量产品的市场——即亚马逊、Netflix 等。因为每个列表都有点独特，什么是推荐引擎的最佳方法？那里有相关文章吗？
我们知道人们过去购买过的元素。 我们知道他们正在寻找适合的尺寸或年龄。
列出的 bundle 具有类别、品牌、尺寸/年龄、颜色和自由格式文本。
有什么想法可以帮助我们入门吗？如果我们的数据存储在 MySQL 中，您认为最好使用哪种特定语言？
最佳答案
您可以使用推荐引擎过滤多种内容。您可以过滤特定用户之前购买的内容(在您的情况下，他们购买的产品中存在哪些功能)。您还可以筛选社交分组——喜欢他们的用户，或筛选产品分组——其他产品，例如您之前销售的产品。我建议您首先对产品进行聚类，然后将个人或组映射到该产品群中的功能。因此，您最终会得到一个推荐引擎，上面写着:购买具有此功能的商品的人也购买了具有这些功能的商品。然后，您可以为已知用户创建一个引擎:您倾向于购买具有这些功能的产品，这里有更多类似的项目。最后，您可以为群体构建引擎:像这样的人倾向于购买具有这些功能的产品。
有了几个模型，您的系统就可以转向合适的模型，这取决于他们目前知道的是什么:已知用户、已知用户组，或者只是已知的浏览历史。
由于您要推荐更多独特产品的批处理，因此您需要在获得推荐后添加一个额外的模型，以过滤掉不合适的推荐。该模型将代表兼容性。使用用户之前使用的相同控制台的新游戏比另一个控制台更兼容。如果他们上个月买了一辆新车，你不会推荐新车，但可能会推荐十次洗车套餐。
您可以为最后一个模型使用几个不同的概念。如果您要将明确的知识添加到人们头脑中的模型中，您可能需要构建一个信念网络来过滤掉不适当的建议。如果你打算使用集体智慧，你可以使用简单回归、支持 vector 机或人工神经网络。我会选择最容易实现的过滤器，而不用担心选择您构建的第一个模型。您可能会构建一些模型，然后再确定一个通过适当的努力就能获得良好结果的模型。
您的过滤模型将经历一个测试阶段，在此阶段您会提出建议，过滤它是否合适，然后通过某种人工干预再次过滤它——一组您希望过滤器学习的“答案”，或者只是一个人双重检查结果。然后，您将使用更新后的结果重新训练您的过滤器，重新采样并再次测试。
就推荐引擎而言，您可以使用 GNU 科学库(可用于任何平台的绑定(bind))进行 SVD。如果您要使用大数据，您还可以选择 Mahout 推荐引擎(Hadoop 世界的一部分)。对于过滤器，您可能需要查看 apophenia、libsvm 或 FANN。
您也可以选择在分析框架中工作一段时间，直到您觉得自己可以处理事情为止。一些可供选择的是 Weka、R、Octave、Matlab、Maple 和 Mathematica。我想我首先列出了价格，然后是易用性。
就资源而言，有几本不错的入门书籍:Collective Intelligence、Mahout(来自 Manning 的 MEAP)、Data Mining(都是关于 Weka 的)和 Modeling with Data (apophenia 引用)。
我最后的想法是，无论您的推荐引擎有多复杂或多不复杂，大部分值(value)都在于用户体验。亚马逊的一位员工写道，当他们告诉用户他们为什么要推荐时，他们的推荐引擎效果最好。这有助于用户快速采纳您的推理(对他们旧的和好的购买的情绪 react )，或者拒绝它并继续前进(他们已经有类似的东西，他们不需要另一个)。
关于java - 一种 "Products"的推荐引擎，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5426723/