|
58同城是中国本地生活服务应用的代表。从最新数据规模上看，58同城已经超过了美国的Graigslist成为该领域世界第一，拥有超过1.3亿的月独立用户和400多万的季度活跃本地商户,月度发布超过5600万条本地生活服务信息。更复杂的是，58同城覆盖了诸如招聘、二手、二手车、房产等几乎所有垂直生活服务领域，所以数据类型非常异构多样。本案例将介绍在这样一个海量异构的数据源上，如何构建一个满足全领域需求的个性化推荐引擎。 PPT要点： 推荐系统：发现用户偏好，给用户主动推荐符合其意图的信息 好友推荐，商品推荐，网络日志推荐，视频推荐，App推荐，广告推荐 Amazon, Facebook，Google, Netflix, Youtube, Apple… 推荐引擎的历史： 1992年 推荐系统诞生。Collaborative Filtering算法诞生，推荐系统诞生；GroupLens Project应用CF到新闻过滤 2003年 Amazon商品推荐、CDNOW音乐专辑推荐使用Itembased CF；MovieLens电影 2004年 推荐个性化，Karypis引入个性化推荐系统并逐步发展 2007年 Google Personalized News推进个性化推荐技术影响力巨大进步 2009年 推荐技术多样化 Netflix Prize推荐大赛结束，推荐技术开始受到普遍关注，基于邻域的推荐算法得到较多改进；Matrix Factorization models、多模型数据挖掘算法等开始广泛应用； 2010年 推荐社会化，Facebook公布其二度好友推荐算法，标志社会化推进技术逐步成熟。Hadoop平台已趋于成熟，Mahout子项目也逐步丰富 推荐技术和数据挖掘在互联网中已经开始得到实质性的推进和应用。本地生活服务领域中的数据呈现大规模、异构的特征，为推荐技术和数据挖掘提供了较高难度的挑战，也是推荐技术和数据挖掘的典型应用领域。 推荐亲友要点： 1）推荐引擎的构建是一个系统工程，需要循序渐进，逐步优化； 2）充分分析数据特点，是构建推荐引擎和开展数据挖掘的最重要的先决条件； 3）对于浏览为主的互联网应用，用户识别能力是决定推荐准确性和召回能力重要决定因素之一； 4）在本地生活服务及O2O等领域中，基于行为分析和基于内容相关性的推荐策略是常用且有效的推荐算法。 5）在本地生活服务及O2O等领域中，推荐准确性可以通过基于机器学习和规则结合的方式来达到一个较好的结果。 ３.案例ROI分析：如果可能的话，进行投入产出分析 在本地生活服务及O2O领域中，推荐技术和数据挖掘覆盖了50%左右的应用场景。对大数据挖掘较好的应用能带来对从用户体验到收入变现等各个方面数据指标的实质提升。尤其在移动互联网越来越流行的时代，手触设备上对推荐技术的依赖更大。例如：在58同城的新版app中，推荐结果将直接放到app首页中。
启示：提炼出该案例（或项目）的哲理、方法论。 |
|
|
