基于大数据技术的推荐系统研究

文蒙德钦

互联网广泛运用在电子商务、社交领域和音乐、电影制作领域，但推荐系统在发展的过程中仍然存在一些问题，比如缺乏预测的精准性，也容易存在冷启动和稀疏性的情况。利用大数据技术可以实现更加高强度和精确性的灵活优势，并且有效的解决推荐系统的各方面问题。本文围绕着基于大数据技术的推荐系统研究展开论述，希望为有关工作者提供一些参考和建议。

一、大数据的特征

大数据技术的特征是多方面的，首先它具有较为庞大的数据规模，在大数据时代到来的背景之下，大量的数据体在数据库之中被存储，如果有需要可以随时提取，随拿随用。大数据的基础是不同领域的数据和资料，不管是社交数据还是日常数据都可以作为基础样本被存储在空间之中。根据调查不难发现，从2018年开始，我国全球数据量开始暴涨，并且往后日益有增长的趋势；其次大数据具有多种数据类型，在大数据时代背景之下信息数据不仅仅限于文字信息处理，它的处理介质已经延伸到了图形、音频和视频等范畴，同时大数据技术具有较快的处理速度，在先进科技的引导和支持之下，大数据技术可以在较短的时间之内完成数据对接和数据分析。目前就我国范围之内而言，网络信号已经遍布大江南北的每一个角落，在网络信息的支撑之下，大数据技术可以对各种类型的信息数据展开实时传递，有效提高传输效率。

二、大数据推荐系统

大数据推荐系统的最典型代表便是电子商务的个性化推荐，它指的是系统可以针对不同消费者的个性需求、职业特征、喜好偏爱提供针对性的推广服务，电子商务企业也可以根据消费者的网上购物习惯提供专业化的1对1优质购物平台。推荐系统极具个性化特征，首先它的内容具有精准性，可以做好相关购物信息的精准投放，电子商务呈现出个性化发展已经不是一朝一夕的趋势，以此为代表的电子商务推荐系统，能够满足不同消费者的广大需求，还可以展开信息对接，消费者就可以向系统提出自主要求，也可以展开服务评价；其次，电子商务推荐系统的内容呈现出多样化分布的特征，消费者可以结合自身的不同需求随意设置信息，获取的时间、空间和地点内容，电商企业服务商可以根据消费者的个人信息反馈提供更加精准化、更加符合其心意的服务项目，用户也可以利用 Email音频和视频作为接收介质来获取信息内容。这样看来，以大数据为代表的推荐系统可以让用户的使用过程突破时间和空间的束缚。除此之外，大数据推荐系统还可以体现出智能化的特征，尤其是具有较为突出的交互化智能特点，在使用的过程中可以结合用户的浏览痕迹和浏览轨迹展开频道的刷新和更替，让用户掌握更加及时的个性化资料。

三、大数据技术推荐系统优势

（一）有利于提取用户信息

大数据推荐系统的主要任务是各种精准的商品信息推荐，从而进行个性化的营销，其营销成功的基础是客户的资料和数据来源准确，需要针对不同种类的用户做出不同类型的推荐选择。比如不同的用户在注册初始留下的信息要进行判断，还要对浏览记录展开记忆，对已经购买订单的要进行排除，这些抓取原始信息的操作步骤都是展开个性化推荐的基础和前提。作为大数据推荐系统需要主动对用户种类进行区别和分辨，在用户信息中进一步展开数据加工分析。

（二）具有优越的信息处理功能

信息处理和分析功能本身就是大数据的拿手好戏，大数据推荐系统具备主动推荐功能，同时也具备协作推荐功能。主动推荐指的是商务平台可以主动抓取用户信息，展开资料分析和处理，对用户的购买订单和用户的需求信息进行分析并处理发布，可以从用户的搜索引擎中分析用户的兴趣爱好之所在，并且推理出用户可能的未来需求；协作推荐指的是根据不同用户之间的横向对比，找到相似或相同的信息推广渠道，使这一类的用户都可以共享信息查询数据结果。

（三）有效展开精准推荐

个性化推荐系统可以在冗余的无规则的商品信息中进行智能化的检索和筛选，屏蔽或过滤那些确实没有用的错误信息，对那些有价值权重的信息加以高效利用和价值攫取，展开有针对性、有时效性的商品推广，自动化的、智能化的把大数据变成有规律的数据链条，形成内在相关的信息链，并且可以选择较为容易理解的模式推广给用户，减少推广错误和无效性。

四、基于大数据技术的推荐系统分析

（一）系统逻辑架构

大数据推荐系统可以针对非注册用户、新用户和老用户，对于不同种类的用户可以实现不同种类的营销策略，展开精准化的数据推荐。目前在大数据推荐系统的设计过程中，可以采用BS模式全面提高系统的安全防护性和用户隐私信息的保密性，在这种总体逻辑架构背景之下，让客户端实现简单的事务逻辑处理，而较为复杂的事物逻辑处理可以通过服务器端口来进行，起到节约成本的实际效果，还能够减少维护费用。在非注册用户进行平台浏览之后，个性化和精准化的大数据推荐系统可以根据用户的来源和个人信息资料推荐一些具有诱惑性的热门商品，比如查找用户搜索的关键词精准投放该类商品；对于新注册平台的用户来说，大数据推荐系统可以通过用户的年龄、性别、家庭住址等不同的信息发掘用户可能会感兴趣的潜在商品进行推荐；已经经常使用该平台的老用户，个性化推荐系统可以根据历史浏览记录或历史下单情况，也可以根据其购买记录和评价记录等数据展开个性化精准营销。

（二）推荐系统的关键技术分析

具有个性化的推荐系统重点在于做好数据收集和采纳，展开数据分类和处理，可以将其具体划分为数据源、数据清洗、数据建模和个性化算法等不同的部分。

首先是数据源，不同类型的企业拥有不同的数据源头，企业拥有满足实际需求的不同种类数据就可以独立进行数据营销，不需要在外界寻求支援，但是反观现状，我国大多数中小企业掌握的数据信息流是有限的，甚至是十分狭隘的，需要结合自身的实际要求通过各种类型的数据库展开类比和对比。数据库之中，数据网络盘根错节，有具有结构化的交易数据网络和业务数据网络，同时也有与传感器相辅相成的半结构化数据网络。与此同时，数据源头可以反映用户的特征属性，也可以反映用户的不同操作行为，无论是哪种类型的数据源头都要符合数据库的兼容形式。在数据库的来源被确定之后紧接着要展开数据采纳和收集工作。

其次是数据采集。根据不同种类的分类标准可以将数据划分为各种类型和各种用途，不同的数据具有不同的作用，因此有关企业在展开数据采纳和收集之前必须要做好兜底调查工作。在这一基础和前提之上，在采集数据的过程之中要对不同数据种类的自身需求加以明确，做好数据规模的确定和数据价格的衡量，与数据库展开端口对接和规范化接收。

再次是数据清洗，在数据采集工作完成之后，有关企业需要展开数据的清洗处理，确保数据质量合格，安全过关，并且发现数据建设过程中可能会隐藏的问题，防止出现错误或数据缺失。这一过程可以采取数据格式压缩或逻辑统一的方式进行清洗，在数据清洗完成之后可以进入到数据建模阶段。在建模阶段，系统设计者在这一环节可以构筑相应的存放模型，根据存放规则或实际要求展开数据优化或数据整合，对数据之间的关系进行理清，方便后续加工。在数据建模完成之后在此基础之上可以展开进一步的用户个性化推荐，具有个性化的核心环节是用户的兴趣建模，这一点非常重要，可以通过模型的建筑了解用户在不同阶段的兴趣导向，接下来可以进行具有个性化的推荐算法，设计者可以根据用户的不同潜在兴趣模型展开进一步的个性化处理，让系统能够精准判断出用户的喜好和偏向。

除此之外还包括用户交互技术。在数据建模阶段完成之后接下来就要展开具有个性化的实际推荐，实际推荐可以通过用户兴趣模型和个性化算法展开相应的数据测算，了解用户可能会感兴趣的信息模板内容并进行精准化的传送，之后用户的个性偏好和选择倾向可以再次作为数据需要数据库传输，未来也可以作为参照的蓝本打造新型的数据库源头。

（三）设计过滤和排名模块

过滤和排名模块的设计非常关键，它是由不同的子模块组成的，每一个不同的子模块都可以对某些无用的推荐结果进行过滤，并且对其他类型的有价值的推荐结果进行排名。过滤排名模块包括不同的子模块，首先是好奇心排名模块，它的功能是在推荐的商品中对某些用户已经浏览过的信息进行排除，这些信息通常是用户已经点击不感兴趣或者已经购买过的商品信息，其主要的目的是让客户能够快速发现自己感兴趣的潜在商品，提高商品的曝光率，还可以提高用户的使用频率，但是好奇心排名模块不能够重复使用，也不能够经常使用，否则效果将不会达到预期的程度；其次是丰富性排名模块，它指的是在推荐系统中覆盖用户所有的兴趣爱好，并找到与之相对应的商品属性。丰富性排名模块可以极大限度的满足用户的兴趣，激发全新的购买欲望，比如用户在购买手表之后，可以推荐和手表相互搭配的运动衣或衬衫等；除此之外还有整体性排名模块和点击反馈模块，整体性模块指的是对用户的推荐结果进行重置和管理，对不同类型用户的推荐频率和权重进行定义。点击反馈模块指的是用户在看到结果的时候可以利用自己的点击行为建立反馈模型，并且对反馈模型的推荐结果进行自动调查。

五、结语

综上所述，在大数据技术的支持之下推荐系统变得更加游刃有余，可以有效地方便用户使用。有关工作者需要加强对推荐系统的个性化研究，提高其性能。