1. 個性化推薦系統的基本框架

個性化推薦系統的基本框架如下：
參考國內最具代表性的百分點推薦系統框架來講，個性化推薦系統的推薦引擎在個性化演算法的框架基礎之上，還引入場景引擎、規則引擎和展示引擎，形成全新的百分點推薦引擎的技術框架，系統通過綜合並利用用戶的興趣偏好、屬性，商品的屬性、內容、分類，以及用戶之間的社交關系等等，挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的商品。
基於雲計算的個性化推薦平台。消除數據孤島，建立基於用戶全網興趣偏好軌跡的精準雲計算分析模型，打通用戶在多個網站的興趣偏好，形成成用戶行為偏好大數據中心。
多種智能演算法庫。基於多維度的數據挖掘、統計分析，進行演算法模型的建立和調優。綜合利用基於內容、基於用戶行為和基於社交關系網路的多種演算法，為用戶推薦其喜歡的商品、服務或內容。
電子商務推薦系統的主要演算法有：
（1） 基於關聯規則的推薦演算法（Association Rule-based Recommendation）
（2） 基於內容的推薦演算法 (Content-based Recommendation)
內容過濾主要採用自然語言處理、人工智慧、概率統計和機器學習等技術進行過濾。
通過相關特徵的屬性來定義項目或對象,系統基於用戶評價對象的特徵學慣用戶的興趣,依據用戶資料與待預測項目的匹配程度進行推薦，努力向客戶推薦與其以前喜歡的產品相似的產品。如新聞組過濾系統News Weeder。
基於內容過濾的系統其優點是簡單、有效。尤其對於推薦系統常見的冷啟動（Cold Start）問題，Content-based方法能夠比較好的進行解決。因為該演算法不依賴於大量用戶的點擊日誌，只需要使用待推薦對象（item）本身的屬性、類目、關鍵詞等特徵，因此該方法在待推薦對象數量龐大、變化迅速、積累點擊數稀少等應用場景下有較好的效果。但該方法的缺點是對推薦物的描述能力有限，過分細化，推薦結果往往局限與原對象相似的類別中，無法為客戶發現新的感興趣的資源,只能發現和客戶已有興趣相似的資源。這種方法通常被限制在容易分析內容的商品的推薦，而對於一些較難提取出內容的商品，如音樂CD、電影等就不能產生滿意的推薦效果。
（3） 協同過濾推薦演算法 （Collaborative Filtering Recommendation）
協同過濾是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
3）推薦的新穎性。 正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
協同過濾推薦演算法，可進一步細分為基於用戶的協同過濾（user-based collaborative filtering）和基於物品的協同過濾（item-based collaborative filtering）。
基於用戶的協同過濾的基本思想是：根據所有用戶對物品或者信息的偏好，發現與當前用戶口味和偏好相似的「鄰居」用戶群，在一般的應用中是採用計算「K- 鄰居」的演算法；然後，基於這 K 個鄰居的歷史偏好信息，為當前用戶進行物品的推薦。
基於物品的協同過濾的基本原理也類似，該方法根據用戶和物品直接歷史點擊或購買記錄，來計算物品和物品之間的相似度，然後根據用戶的歷史偏好的物品信息，將挖掘到的類似的物品推薦給用戶
基於用戶的協同過濾和基於物品的協同過濾各自有其適用場景。總的來看，協同過濾方法的缺點是:
1）稀疏性問題：如果用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確;
2）可擴展性問題：隨著用戶和商品的增多，系統的性能會越來越低;
3）冷啟動問題：如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦。
4）長尾問題：對微小市場的推薦。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。

2. 個性化推薦屬於哪個研究方向啊求指導。。。

個性化推薦屬於大數據挖掘方向吧。我知道國內做個性化推薦比較有名的有百分點公司，他們的個性化時代博客裡面有不少相關研究報告，技術分享什麼的

3. 談談個性化推薦系統的利弊都有哪些

如果一個個性化推薦系統能將新的、有意思領域推薦給我們，並且將我們關注領域最新進展、歷史脈絡、有價值信息等等推薦給我們，這件事對於消除信息壁壘，增加信息價值是很好手段、方法。值得我們為此付出努力和心血。

4. 身處大數據時代，個性化推薦怎樣成功落地

今日頭條就是最好的例子，個性化做的還是蠻不錯的

5. 平台建立在什麼基礎上實現個性化推薦

隨著互聯網技術的高速發展,已經帶領人們進入了大數據時代。在移動互聯時代的今天,每個用戶不僅僅是數據的瀏覽者,更是數據的創造,而面對這些海量的信息,用戶往往很難找到自己真正喜歡的資源。因此,挖掘數據的潛在價值,給用戶提供個性化的服務,已經成為大數據時代的一個熱門的話題,與此同時,個性化推薦的技術也應運而生。個性化推薦是根據用戶的購買行為和興趣特點,向用戶推薦感興趣的信息。推薦技術的實質就是通過分析用戶的歷史行為記錄來預測用戶的未來行為的偏好,並將預測的結果以某種有效的形式展現給用戶。
開放平台是最近互聯網上興起的一種平台架構思想,如國內最早大規模應用的開放平台:微博開放平台。開放平台,即把伺服器端的一種計算能力封裝成一系列計算機易識別的數據介面開放出去,以供第三方使用。通過開放平台,調用者可以實現復雜的介面數據交互功能,從而開發出豐富的應用。
本文結合了個性化推薦技術和開放平台的架構思想,提出了個性化推薦開放平台架構。該平台將個性化推薦的服務以介面的形式提供出來,包括了推薦介面和配置介面。基於開放平台的架構思想,介面的調用者無需購置伺服器並編程實現推薦功能,只需通過平台介面便可以獲取到推薦服務,大大降低了開發成本。同時,開放平台提供的介面服務,沒有地域限制,可以讓任何能接入到互聯網的應用接入該服務。其中,推薦介面提供的是個性化的推薦服務,通過傳入用戶編號便可以獲取到給用戶推薦的個性化內容,配置介面提供的是對平台演算法運行管理的介面,調用者可以配置伺服器,啟動服務運行。
在個性化推薦演算法方面,採用了一種「松耦合」的演算法編程思想,通過該思想,可以讓演算法與平台的耦合性降低,從而高效地更新演算法庫,可以集成更多的推薦演算法。
在開放平台技術架構方面,提出面向介面的設計原則。採用Restlet作為服務的介面層,Kafka作為介面服務層與平台層通信的中間件層,Redis作為資料庫提供介面服務層,Hadoop作為分布式計算層。各層分工協作,完成了開放平台的功能,實現了個性化推薦開放平台的兩個介面:推薦API和配置API。

6. 為什麼說今日頭條的大數據個性化定製

今日頭條的slogan很清楚的告訴了我們，它的文章推薦機制是個性化推薦機制，最大化保證推送的精準度，盡量保證對的文章推薦給對的人，歸根到底這個推薦演算法關鍵是還在於對海量用戶行為的數據分析與挖掘，個性化推薦的平台有很多，也許各家演算法略有不同，但最終目的都是殊途同歸，為實現最精準的內容推薦。

今日頭條的文章個性化推薦機制主要是：
相似文章主題相似性的推薦：通過獲取與用戶閱讀過文章的相似文章來進行推薦。
基於相同城市的新聞：對於擁有相同地理信息的用戶，會推薦與之相匹配的城市的熱門文章。
基於文章關鍵詞的推薦：對於每篇文章，提取關鍵詞，作為描述文章內容的一種特徵。然後與用戶動作歷史的文章關鍵詞進行匹配推薦。
基於站內熱門文章的普適性推薦：根據站內用戶閱讀習慣，找出熱門文章，對所有沒有閱讀過該文章的用戶進行推薦。
基於社交好友關系的閱讀習慣推薦：根據用戶的站外好友，獲取站外好友轉發評論或發表過的文章進行推薦。
基於用戶長期興趣關鍵詞的推薦：通過比較用戶短期和長期的閱讀興趣主題和關鍵詞進行推薦。
基於相似用戶閱讀習慣的列表推薦：計算一定時期內的用戶動作相似性，進行閱讀內容的交叉性推薦。
基於站點分布來源的內容推薦：通過用戶閱讀的文章來源分布為用戶計算出20個用戶喜歡的新聞來源進行推薦。
麻煩請點贊，謝謝。

7. 酷開大內容電視個性化推薦基於什麼樣的基礎

這個的話，酷開電視可以提供個性化服務，一方面是基於酷開大數據運營的結果，另一方面和酷開願意為用戶提供優質服務相關。

8. 有靠譜的大數據分析平台推薦嗎

由於大數據產業的興抄盛，國內知名的大數據分析平台也如雨後春筍層出不窮，其中做的不錯的億信華辰的一站式數據分析平台ABI，融合了數據源適配、ETL數據處理、數據建模、數據分析、數據填報、工作流、門戶、移動應用等核心功能。採用輕量級SOA架構設計、B/S模式，各模塊間無縫集成。使用了新一代的3D引擎技術，大屏展示炫酷。
支持廣泛的數據源接入，同時支持基於Hadoop框架的PetaBase分布式資料庫，TB級別數據實時分析，秒級響應，輕松完成大數據分析與展示。數據整合模塊支持可視化的定義ETL過程，完成對數據的清洗、裝換、處理，輕松完成大數據的加工處理。數據集模塊支持資料庫、文件、介面等多方式的數據建模。數據分析模塊支持報表分析、敏捷看板、即席報告、幻燈片、酷屏、數據填報、數據挖掘等多種分析手段對數據進行分析、展現、應用。強大的應用發布模塊輕松打造個性化門戶。

9. 在大數據時代，酷開大內容電視個性化推薦的資源有什麼優點

很多的，大數據時代可以為企業提供更多的數據分析市場需求和用戶的使用習慣，方便企業為用戶提供個性化的內容推薦。比如影視推薦方面，酷開更具大數據分析用戶喜歡的內容然後在首頁重點推薦。