推荐系统概念和应用场景
推荐系统产生的背景
信息过载问题
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息过载问题。长尾问题
长尾理论认为，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。关键是建立小众商品和关注他们的人群的匹配。
解决信息过载问题和长尾问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。
和搜索引|擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引|导用户发现自己的信息需求。
一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。
什么是推荐系统?
利用电子商务网站向客户提供商品信息和建议,帮助用户决定购买什么产品，模拟销售人员帮助客户完成购买过程。
推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。同时学术界对推荐系统的研究热度一直很高，逐步形成了一门独立的学科。
推荐系统有3个重要的模块: 用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
什么是个性化推荐系统?
个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐感兴趣的信息和商品。
个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
推荐引擎的算法原理
推荐引擎的主要推荐算法有如下四类:
- 基于人口统计学的推荐
- 基于内容的推荐
- 基于用户的协同过滤
- 基于物品的协同过滤
推荐引擎产品RecEng介绍
产品概述
阿里云推荐引擎(Recommendation Engine,简称RecEng )是在阿里云公有云环境下建立的一套推荐服务框架，目标是让广大中小企业能够使用这套框架快速搭建满足自身业务需求的推荐服务。
简单便捷
可快速实现APP或WEB网站的个性化功能，内置多种算法模板，节省90% 的程序量使用门槛低
不懂算法也可以搭建、优化推荐系统，流程白盒化，不具备算法知识的业务人员也可以参与配置算法开放
既可以使用推荐引擎自带的标准算法，又可以支持使用企业自己定制化开发的的推荐算法
三种计算
离线计算
包含推荐业务、场景、离线算法流程的创建、编辑、删除操作，以及推荐数据的生成近线计算
主要处理用户行求时，实时对离线和近线修正产生的推荐结果进行过滤排重、补足等处理在线计算
在接收到API请为发生变化、推荐物品发生更新时，对离线推荐结果进行更新
A/B测试
A/B 测试(A/B Testing),就是为同一个目标制定两个方案，让一部分用户使用A 方案，另一部分用户使用B 方案，记录下用户的使用情况，看哪个方案更符合设计。
推荐引擎和A/B 测试:
- 推荐引擎RecEng 支持A/B 测试，允许一个场景下存在多条推荐流程(rec_path)
- 同一个场景下的每个推荐流程都会被分配一定的流量比例，比例可配置,分流完全随机
