我们正在建立的市场允许人们列出他们的东西出售，但批量/袋/箱。我们正在寻找建立一个推荐引擎，但大多数文章似乎更适合“销售”大量的许多产品的市场 - 即亚马逊，netflix等因为每个列表有点独特，什么是推荐引擎的最佳方法？那里有相关的文章吗？
我们知道人们过去买过的物品。 我们知道他们正在寻找的大小或年龄适合。
列出的捆绑包包含类别，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开始？如果我们的数据存储在MySQL中，您认为哪种语言最好？
答案 0 :(得分：2)
您可以使用推荐引擎过滤一些内容。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）。您还可以过滤社交分组 - 类似用户或产品分组 - 其他产品，例如之前销售过的产品。我建议您首先对产品进行集群，然后将个人或组映射到该产品集群中的功能。因此，您最终会得到一个推荐引擎：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引擎：您倾向于购买具有这些功能的产品，这里还有更多类似的产品。最后，您可以为群组构建引擎：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，您的系统可以根据他们目前所知的情况转向相应的模型：已知用户，已知用户组或仅知道浏览历史记录。
由于您推荐批量更多独特的产品，因此您需要在获得建议后添加其他模型，以过滤掉不适当的建议。该模型将代表兼容性。使用之前用户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，你就不会推荐一辆新车，但可能会有十辆洗车包。
您可以为最后一个模型使用几个不同的概念。如果您要在模型中添加明确的知识，那么您可能需要构建一个过滤掉不适当建议的信任网络。如果您要使用集体智慧，您可以使用简单回归，支持向量机或人工神经网络。我会选择最简单的实现过滤器而不用担心选择你构建的第一个模型。你可能会建立一些模型，然后你就可以通过适当的努力来获得好的结果。
您的过滤模型将经历一个测试阶段，您可以在其中进行推荐，过滤它以获得适当性，然后通过某种人为干预再次过滤 - 您希望过滤器学习的一组“答案”，或者只是一个人仔细检查结果。然后，您将使用更新的结果重新训练过滤器，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）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，直到您感觉自己已经掌握了一些东西。一些可供选择的是Weka，R，Octave，Matlab，Maple和Mathematica。我想我已经在价格方面列出了这些，然后是易用性。
就资源而言，有一些很好的入门书籍：集体智慧，Mahout（Manning的MEAP），数据挖掘（所有关于Weka）和Modeling with Data（apophenia reference）。
我的最后一个想法是，无论您使用或不使用推荐引擎都很复杂，大部分价值都在于用户体验。来自亚马逊的一位人士写道，当他们告诉用户他们为什么提出建议时，他们的推荐引擎效果最好。这有助于用户快速采用您的推理（对他们旧的和良好的购买情绪反应），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）。
答案 1 :(得分：0)
我个人更喜欢Ruby，但Ruby，Python和Perl可以轻松连接到MySQL。
我喜欢Ruby的原因之一是它的Sequel gem，它是一个非常强大的ORM，使得数据库访问非常容易管理。如果你使用MVC，Ruby有Rails赞成ActiveRecord作为它的ORM，这也使得与MySQL交谈变得容易。还有Sinatra和Padrino，它们的重量轻一点ORM，但也很有能力。他们与开箱即用的数据库不相关，并且很好地与Sequel集成。