基于实现自己的推荐引擎

　　采用基于数据挖掘的算法来实现推荐引擎是各大电子商务网站、SNS社区最为常用的方法，推荐引擎常用的ContentBased推荐算法及协同过滤算法（ItemBased、Userbased在电子商务推荐系统入门v2。0、电子商务推荐系统入门基础中已经有所阐述。但从实际应用来看，对于大部分中小型企业来说，要在电子商务系统完整采用以上算法有很大的难度。
　　1、常用推荐引擎算法问题
　　1）、相对成熟、完整、现成的开源解决方案较少
　　粗略分来，目前与数据挖掘及推荐引擎相关的开源项目主要有如下几类：
　　数据挖掘相关：主要包括Weka、RProject、Knime、RapidMiner、Orange等
　　文本挖掘相关：主要包括OpenNLP、LingPipe、FreeLing、GATE等，具体可以参考LingPipe’sCompetition
　　推荐引擎相关：主要包括ApacheMahout、Duineframework、SingularValueDecomposition（SVD），其他包可以参考OpenSourceCollaborativeFilteringWritteninJava
　　搜索引擎相关：Lucene、Solr、Sphinx、HibernateSearch等
　　2）、常用推荐引擎算法相对复杂，入门门槛较低
　　3）、常用推荐引擎算法性能较低，并不适合海量数据挖掘
　　以上这些包或算法，除了LuceneSor相对成熟外，大部分都还处于学术研究使用，并不能直接应用于互联网大规模的数据挖掘及推荐引擎引擎使用。
　　2、采用Lucene实现推荐引擎的优势
　　对很多众多的中小型网站而言，由于开发能力有限，如果有能够集成了搜索、推荐一体化的解决方案，这样的方案肯定大受欢迎。采用Lucene来实现推荐引擎具有如下优势：
　　1）、Lucene入门门槛较低，大部分网站的站内搜索都采用了Lucene
　　2）、相对于协同过滤算法，Lucene性能较高
　　3）、Lucene对TextMining、相似度计算等相关算法有很多现成方案
　　在开源的项目中，Mahout或者DuineFramework用于推荐引擎是相对完整的方案，尤其是Mahout核心利用了Lucene，因此其架构很值得借鉴。只不过Mahout目前功能还不是很完整，直接用其实现电子商务网站的推荐引擎尚不是很成熟。只不过从Mahout实现可以看出采用Lucene实现推荐引擎是一种可行方案。
　　3、采用Lucene实现推荐引擎需要解决的核心问题
　　Lucene擅长TextMining较为擅长，Lucene在contrib包中提供了MoreLikeThis功能，可以较为容易实现ContentBased的推荐，但对于涉及用户协同过滤行为的结果（所谓的RelevanceFeedback），Lucene目前并没有好的解决方案。需要在Lucene中内容相似算法中加入用户协同过滤行为对因素，将用户协同过滤行为结果转化为Lucene所支持的模型。
　　4、推荐引擎的数据源
　　电子商务网站与推荐引擎相关典型的行为：
　　购买本商品的顾客还买过
　　浏览本商品的顾客还看过
　　浏览更多类似商品
　　喜欢此商品的人还喜欢
　　用户对此商品的平均打分
　　因此基于Lucene实现推荐引擎主要要处理如下两大类的数据
　　1）、内容相似度
　　例如：商品名称、作者译者制造商、商品类别、简介、评论、用户标签、系统标签
　　2）、用户协同行为相似度
　　例如：打标签、购买商品、点击流、搜索、推荐、收藏、打分、写评论、问答、页面停留时间、所在群组等等
　　5、实现方案
　　5。1、内容相似度
　　基于LuceneMoreLikeThis实现即可。
　　5。1、对用户协同行为的处理
　　1）、用户每一次协同行为都使用lucene来进行索引，每次行为一条记录
　　2）、索引记录中包含如下重要信息：
　　商品名、商品id、商品类别、商品简介、标签等重要特征值、用户关联行为的其他商品的特征元素、商品缩略图地址、协同行为类型（购买、点击、收藏、评分等）、Boost值（各协同行为在setBoost时候的权重值）
　　3）、对评分、收藏、点击等协同行为以商品特征值（标签、标题、概要信息）来表征
　　4）、不同的协同行为类型（例如购买、评分、点击）设置不同的值setBoost