亚马逊推荐功能如何运作？

Question

亚马逊推荐技术的屏幕背后有什么技术？我相信亚马逊的推荐目前是市场上最好的，但它们如何为我们提供相关的推荐？

最近，我们参与了类似的推荐项目，但肯定想从技术角度了解亚马逊推荐技术的来龙去脉。

任何输入都将受到高度赞赏。

更新

这个patent解释了个性化推荐是如何完成的，但它不是很技术性的，所以如果可以提供一些见解会非常好。

根据Dave的评论，Affinity Analysis构成了此类推荐引擎的基础。这里还有一些关于主题

的好读物

1. Demystifying Market Basket Analysis
2. Market Basket Analysis
3. Affinity Analysis

建议阅读：

1. Data Mining: Concepts and Technique

Answer 1

Answer 2

这与亚马逊的推荐系统没有直接关系，但研究参与Netflix Prize竞赛的人使用的方法可能会有所帮助，这是一个使用Netflix用户数据开发更好推荐系统的竞赛。一般来说，community关于数据挖掘技术存在很多好的信息。

赢得的团队使用了许多不同模型/技术产生的建议的混合。我知道使用的一些主要方法是主成分分析，最近邻方法和神经网络。以下是获奖团队的一些论文：

R上。 Bell，Y。Koren，C。Volinsky，“The BellKor 2008 Solution to the Netflix Prize”，（2008）。

一个。 Töscher，M。Jahrer，“The BigChaos Solution to the Netflix Prize 2008”，（2008）。

一个。 Töscher，M。Jahrer，R。Legenstein，“Improved Neighborhood-Based Algorithms for Large-Scale Recommender Systems”，SIGKDD大型推荐系统研讨会和Netflix奖竞赛（KDD'08），ACM出版社（2008）。

ÿ。 Koren，“The BellKor Solution to the Netflix Grand Prize”，（2009）。

一个。 Töscher，M。Jahrer，R。Bell，“The BigChaos Solution to the Netflix Grand Prize”，（2009）。

微米。 Piotte，M。Chabbert，“The Pragmatic Theory solution to the Netflix Grand Prize”，（2009）。

2008年的论文来自第一年的进步奖。我建议先阅读前面的内容，因为后面的内容是基于以前的工作。

Answer 3

我今天碰到了这篇论文：

• Amazon.com Recommendations: Item-to-Item Collaborative Filtering

也许它提供了额外的信息。

Answer 4

（Disclamer：我曾经在亚马逊工作，但我没有在推荐团队工作。）

ewernli的答案应该是正确的 - 本文链接到亚马逊的原始推荐系统，并且从我所知道的（从亚马逊购物者的个人经历和在其他公司的类似系统上工作过），很少有改变：亚马逊的推荐功能的核心仍然是基于项目到项目的协作过滤。

看看建议采取的形式：在我的头版，它们都是“你看过X ......客户也看过这个也看过......”的形式，或者是项目的混合物类似于我以前买过或看过的东西。如果我特意转到我的“推荐给你”页面，每个项目都会描述为什么推荐给我：“推荐因为你购买了......”，“推荐因为你把X添加到你的愿望清单......”等等。这是项目到项目协同过滤的经典标志。

那么逐项协同过滤如何工作？基本上，对于每个项目，您构建相关项目的“邻域”（例如，通过查看人们一起查看的项目或人们一起购买的项目 - 来确定相似性，您可以使用{{3}等指标相关性是另一种可能性，但我怀疑亚马逊不会非常严重地使用评级数据）。然后，每当我查看商品X或购买Y时，亚马逊就会向我推荐与X或Y相同的邻居。

亚马逊可能会使用但可能没有的其他一些方法在此处描述：Jaccard index

Dave所描述的很多东西几乎肯定不是在亚马逊完成的。 （我的社交网络中的那些评级？不，亚马逊没有任何我的社交数据。这在任何情况下都是一个巨大的隐私问题，所以即使他们拥有这些数据，亚马逊也很难做到：人们不希望他们的朋友知道他们正在购买哪些书籍或电影。人口统计信息？没有，推荐中的任何内容都表明他们正在研究这个问题。[与Netflix不同，他确实表明了我所在地区的其他人在看。]）

Answer 5

我没有具体了解亚马逊的算法，但这种算法的一个组成部分可能涉及跟踪经常一起订购的项目组，然后在客户购买时使用该数据推荐组中的其他项目该组的子集。

另一种可能性是在订购商品A后的N天内跟踪订购商品B的频率，这可能暗示相关性。

Answer 6

据我所知，它使用Case-Based Reasoning作为它的引擎。

您可以在以下来源中看到：here，here和here。

Google搜索亚马逊和基于案例的推理有很多来源。

Answer 7

上周有人在我们的大学做了类似的演讲，并引用了亚马逊的推荐系统。我相信它使用K-Means Clustering形式将人们聚集到他们不同的购买习惯中。希望这会有所帮助：）

也请检查一下：http://www.almaden.ibm.com/cs/people/dmodha/ml02.ps和as HTML。

Answer 8

如果你想要一个实践教程（使用开源R）那么你可能会比通过这个更糟糕： https://gist.github.com/yoshiki146/31d4a46c3d8e906c3cd24f425568d34e

它是另一项工作的运行时优化版本： http://www.salemmarafi.com/code/collaborative-filtering-r/

然而，第一个链接上的代码变化运行得更快，所以我建议使用它（我发现yoshiki146代码中唯一缓慢的部分是在用户级别生成推荐的最终例程 - 它花了很多时间在我的机器上用我的数据大约一个小时）。

我将此代码改编为我工作的零售商的推荐引擎。

使用的算法 - 正如其他人所说 - 协同过滤。 CF的这种方法计算余弦相似度矩阵，然后按该相似性进行排序，以找到最近的邻居＆＃39;对于每个元素（给出的示例中的音乐乐队，我的应用程序中的零售产品）。

结果表可根据其他选定的乐队/产品推荐乐队/产品。

代码的下一部分更进一步，基于USER（或客户）的协同过滤。

这是一个大表，其中包含为给定用户/客户推荐的前100个频段/产品