1. 个性化推荐系统的基本框架

个性化推荐系统的基本框架如下：
参考国内最具代表性的百分点推荐系统框架来讲，个性化推荐系统的推荐引擎在个性化算法的框架基础之上，还引入场景引擎、规则引擎和展示引擎，形成全新的百分点推荐引擎的技术框架，系统通过综合并利用用户的兴趣偏好、属性，商品的属性、内容、分类，以及用户之间的社交关系等等，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的商品。
基于云计算的个性化推荐平台。消除数据孤岛，建立基于用户全网兴趣偏好轨迹的精准云计算分析模型，打通用户在多个网站的兴趣偏好，形成成用户行为偏好大数据中心。
多种智能算法库。基于多维度的数据挖掘、统计分析，进行算法模型的建立和调优。综合利用基于内容、基于用户行为和基于社交关系网络的多种算法，为用户推荐其喜欢的商品、服务或内容。
电子商务推荐系统的主要算法有：
（1） 基于关联规则的推荐算法（Association Rule-based Recommendation）
（2） 基于内容的推荐算法 (Content-based Recommendation)
内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。
通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。如新闻组过滤系统News Weeder。
基于内容过滤的系统其优点是简单、有效。尤其对于推荐系统常见的冷启动（Cold Start）问题，Content-based方法能够比较好的进行解决。因为该算法不依赖于大量用户的点击日志，只需要使用待推荐对象（item）本身的属性、类目、关键词等特征，因此该方法在待推荐对象数量庞大、变化迅速、积累点击数稀少等应用场景下有较好的效果。但该方法的缺点是对推荐物的描述能力有限，过分细化，推荐结果往往局限与原对象相似的类别中，无法为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。
（3） 协同过滤推荐算法 （Collaborative Filtering Recommendation）
协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
与传统文本过滤相比，协同过滤有下列优点:
1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
协同过滤推荐算法，可进一步细分为基于用户的协同过滤（user-based collaborative filtering）和基于物品的协同过滤（item-based collaborative filtering）。
基于用户的协同过滤的基本思想是：根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K- 邻居”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行物品的推荐。
基于物品的协同过滤的基本原理也类似，该方法根据用户和物品直接历史点击或购买记录，来计算物品和物品之间的相似度，然后根据用户的历史偏好的物品信息，将挖掘到的类似的物品推荐给用户
基于用户的协同过滤和基于物品的协同过滤各自有其适用场景。总的来看，协同过滤方法的缺点是:
1）稀疏性问题：如果用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确;
2）可扩展性问题：随着用户和商品的增多，系统的性能会越来越低;
3）冷启动问题：如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐。
4）长尾问题：对微小市场的推荐。
因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

2. 个性化推荐属于哪个研究方向啊求指导。。。

个性化推荐属于大数据挖掘方向吧。我知道国内做个性化推荐比较有名的有百分点公司，他们的个性化时代博客里面有不少相关研究报告，技术分享什么的

3. 谈谈个性化推荐系统的利弊都有哪些

如果一个个性化推荐系统能将新的、有意思领域推荐给我们，并且将我们关注领域最新进展、历史脉络、有价值信息等等推荐给我们，这件事对于消除信息壁垒，增加信息价值是很好手段、方法。值得我们为此付出努力和心血。

4. 身处大数据时代，个性化推荐怎样成功落地

今日头条就是最好的例子，个性化做的还是蛮不错的

5. 平台建立在什么基础上实现个性化推荐

随着互联网技术的高速发展,已经带领人们进入了大数据时代。在移动互联时代的今天,每个用户不仅仅是数据的浏览者,更是数据的创造,而面对这些海量的信息,用户往往很难找到自己真正喜欢的资源。因此,挖掘数据的潜在价值,给用户提供个性化的服务,已经成为大数据时代的一个热门的话题,与此同时,个性化推荐的技术也应运而生。个性化推荐是根据用户的购买行为和兴趣特点,向用户推荐感兴趣的信息。推荐技术的实质就是通过分析用户的历史行为记录来预测用户的未来行为的偏好,并将预测的结果以某种有效的形式展现给用户。
开放平台是最近互联网上兴起的一种平台架构思想,如国内最早大规模应用的开放平台:微博开放平台。开放平台,即把服务器端的一种计算能力封装成一系列计算机易识别的数据接口开放出去,以供第三方使用。通过开放平台,调用者可以实现复杂的接口数据交互功能,从而开发出丰富的应用。
本文结合了个性化推荐技术和开放平台的架构思想,提出了个性化推荐开放平台架构。该平台将个性化推荐的服务以接口的形式提供出来,包括了推荐接口和配置接口。基于开放平台的架构思想,接口的调用者无需购置服务器并编程实现推荐功能,只需通过平台接口便可以获取到推荐服务,大大降低了开发成本。同时,开放平台提供的接口服务,没有地域限制,可以让任何能接入到互联网的应用接入该服务。其中,推荐接口提供的是个性化的推荐服务,通过传入用户编号便可以获取到给用户推荐的个性化内容,配置接口提供的是对平台算法运行管理的接口,调用者可以配置服务器,启动服务运行。
在个性化推荐算法方面,采用了一种“松耦合”的算法编程思想,通过该思想,可以让算法与平台的耦合性降低,从而高效地更新算法库,可以集成更多的推荐算法。
在开放平台技术架构方面,提出面向接口的设计原则。采用Restlet作为服务的接口层,Kafka作为接口服务层与平台层通信的中间件层,Redis作为数据库提供接口服务层,Hadoop作为分布式计算层。各层分工协作,完成了开放平台的功能,实现了个性化推荐开放平台的两个接口:推荐API和配置API。

6. 为什么说今日头条的大数据个性化定制

今日头条的slogan很清楚的告诉了我们，它的文章推荐机制是个性化推荐机制，最大化保证推送的精准度，尽量保证对的文章推荐给对的人，归根到底这个推荐算法关键是还在于对海量用户行为的数据分析与挖掘，个性化推荐的平台有很多，也许各家算法略有不同，但最终目的都是殊途同归，为实现最精准的内容推荐。

今日头条的文章个性化推荐机制主要是：
相似文章主题相似性的推荐：通过获取与用户阅读过文章的相似文章来进行推荐。
基于相同城市的新闻：对于拥有相同地理信息的用户，会推荐与之相匹配的城市的热门文章。
基于文章关键词的推荐：对于每篇文章，提取关键词，作为描述文章内容的一种特征。然后与用户动作历史的文章关键词进行匹配推荐。
基于站内热门文章的普适性推荐：根据站内用户阅读习惯，找出热门文章，对所有没有阅读过该文章的用户进行推荐。
基于社交好友关系的阅读习惯推荐：根据用户的站外好友，获取站外好友转发评论或发表过的文章进行推荐。
基于用户长期兴趣关键词的推荐：通过比较用户短期和长期的阅读兴趣主题和关键词进行推荐。
基于相似用户阅读习惯的列表推荐：计算一定时期内的用户动作相似性，进行阅读内容的交叉性推荐。
基于站点分布来源的内容推荐：通过用户阅读的文章来源分布为用户计算出20个用户喜欢的新闻来源进行推荐。
麻烦请点赞，谢谢。

7. 酷开大内容电视个性化推荐基于什么样的基础

这个的话，酷开电视可以提供个性化服务，一方面是基于酷开大数据运营的结果，另一方面和酷开愿意为用户提供优质服务相关。

8. 有靠谱的大数据分析平台推荐吗

由于大数据产业的兴抄盛，国内知名的大数据分析平台也如雨后春笋层出不穷，其中做的不错的亿信华辰的一站式数据分析平台ABI，融合了数据源适配、ETL数据处理、数据建模、数据分析、数据填报、工作流、门户、移动应用等核心功能。采用轻量级SOA架构设计、B/S模式，各模块间无缝集成。使用了新一代的3D引擎技术，大屏展示炫酷。
支持广泛的数据源接入，同时支持基于Hadoop框架的PetaBase分布式数据库，TB级别数据实时分析，秒级响应，轻松完成大数据分析与展示。数据整合模块支持可视化的定义ETL过程，完成对数据的清洗、装换、处理，轻松完成大数据的加工处理。数据集模块支持数据库、文件、接口等多方式的数据建模。数据分析模块支持报表分析、敏捷看板、即席报告、幻灯片、酷屏、数据填报、数据挖掘等多种分析手段对数据进行分析、展现、应用。强大的应用发布模块轻松打造个性化门户。

9. 在大数据时代，酷开大内容电视个性化推荐的资源有什么优点

很多的，大数据时代可以为企业提供更多的数据分析市场需求和用户的使用习惯，方便企业为用户提供个性化的内容推荐。比如影视推荐方面，酷开更具大数据分析用户喜欢的内容然后在首页重点推荐。