如果您使用过Netflix的流媒体服务，从亚马逊购买了某些东西，或者在LinkedIn或Facebook上与“您可能认识的人”联系，那么您已经使用了推荐引擎。
推荐引擎将您可能感兴趣的内容与您的功能相匹配。例如，电影具有发行年份，流派，演员和票房结果。你有功能。您有偏好，年龄，您可能已经完成了一项调查，表达了您对某些电影的态度。您可能已经评价了一些您观看过的电影。通过确定向您展示哪些电影集以及您对这些建议的回应，机器会随着时间的推移学习以提出更好的建议。如果你观看了一些科幻电影，并且你对它们进行了高度评价，那么引擎将学会向你展示更多的科幻电影，而对于喜欢科幻电影的其他人喜欢的电影，也可能会喜欢。推荐系统已在各种行业和背景下部署，汤普森解释说，特别是作为在线购物网站的一部分。您通常会看到它们用于：
・
超级市场：为下次购买生成自定义优惠券的注册表可查看之前的购买情况，并定制优惠券以包含您可能感兴趣的商品。
・
书籍和音乐商店：公司可以在购买后向客户发送电子邮件并推荐新书或专辑 – 或者在亚马逊，潘多拉和类似网站的情况下，根据客户当前正在查看或收听的内容实时提供产品推荐至。
・
投资公司：推荐系统可以根据客户选择的类型来分析您可能感兴趣的股票。
・
电视和电影服务：像Netflix这样的公司会分析每个客户以前的内容选择，并根据这些内容提出建议，并根据他们的浏览历史实时主动推荐项目。
・
社交网站：LinkedIn和Facebook等网站使用推荐系统根据个人现有网络建议其他连接或朋友。
在推荐引擎和机器学习中使用的许多算法都不是那么新。回归，决策树，k-最近邻，支持向量机（SVM），神经网络和朴素贝叶斯是已知的方法，具有众所周知的约束和适当的用途。许多这些方法已被用于长期支持数据驱动的业务决策。典型的推荐引擎通过以下四个阶段处理数据，即收集，存储，分析和过滤。
创建推荐引擎的第一步是收集数据。数据可以是显式或隐式数据。显式数据将包括用户输入的数据，例如产品的评级和评论。隐含数据将是订单历史/退货历史，购物车事件，浏览量，点击率和搜索日志。将为访问该站点的每个用户创建此数据集。
行为数据很容易收集，因为您可以在您的站点上记录用户活动。收集这些数据也很简单，因为它不需要用户的任何额外操作; 他们已经在使用该应用程序。这种方法的缺点是分析数据更加困难。例如，从不太需要的日志中过滤需要的日志可能很麻烦。
由于每个用户必然对产品有不同的喜好或不喜欢，因此他们的数据集将是截然不同的。随着时间的推移，您可以向引擎“提供”更多数据，它会根据其建议变得更智能，更智能，以便您的电子邮件订阅者和客户更有可能参与，点击和购买。就像亚马逊的推荐引擎如何与“经常一起购买”和“推荐给你”标签一起使用。
您可以为算法提供的数据越多，建议就越好。这意味着任何建议项目都可以迅速转变为大数据项目。
用于创建建议的数据类型可帮助您确定应使用的存储类型。您可以选择使用NoSQL数据库，标准SQL数据库甚至某种对象存储。这些选项中的每一个都是可行的，具体取决于您是捕获用户输入还是行为，以及诸如易于实现，存储可以管理的数据量，与其他环境的集成以及可移植性等因素。
在保存用户评级或评论时，可扩展和托管数据库可最大限度地减少所需任务的数量，并有助于关注建议。
为了找到具有相似用户参与度数据的项目，我们使用不同的分析方法过滤数据。如果您想在查看产品时立即向用户提供建议，那么您将需要一种灵活的分析类型。我们可以分析数据的一些方法是：实时系统可以在创建数据时对其进行处理。这种类型的系统通常涉及可以处理和分析事件流的工具。需要一个实时系统来提供即时建议。批量分析要求您定期处理数据。这种方法意味着需要创建足够的数据以使分析相关，例如每日销售量。批处理系统可能会在以后发送电子邮件时正常工作。近实时分析可让您快速收集数据，这样您就可以每隔几分钟或几秒刷新一次分析。近实时系统最适合在同一浏览会话期间提供建议。
产品推荐算法
过滤数据：获取向用户提供建议所需的相关数据。我们必须选择一种更适合推荐引擎的算法。
基于内容：一种受欢迎的推荐产品具有与用户观看或喜欢的类似的特征。
集群：无论用户做了什么，推荐产品都能很好地协同工作。
协作：其他用户喜欢与其他用户观看或喜欢相同的产品，也会喜欢推荐的产品。协作过滤使您能够使产品属性成为理论产品，并根据用户的口味进行预测。
此过滤的输出基于这样的假设：过去喜欢相同产品的两个用户现在或将来可能会喜欢相同的产品。
您可以将有关评级或互动的数据表示为一组矩阵，将产品和用户作为维度。假设以下两个矩阵是相似的，但是我们从第一个中扣除第二个，将现有的等级替换为数字1，将缺少的等级替换为数字零。结果矩阵是真值表，其中数字表示用户与产品的交互。
最终，在过滤和使用算法之后获得的结果，推荐是基于推荐类型的及时性给出的，无论是实时推荐还是在一段时间之后发送电子邮件。
由于产品推荐引擎主要运行数据。企业可能没有存储容量来存储您网站上的访问者的大量数据。可以使用Hadoop和Spark等在线框架，它允许您将数据存储在多个设备中，以降低一台计算机的可靠性。Hadoop使用HDFS将文件拆分为大块，并将它们分布在集群中的节点上。与传统的超级计算机体系结构相比，这使得数据集的处理速度更快，效率更高，后者依赖于通过高速网络分布计算和数据的并行文件系统。
最后，我们使用MapReduce编程模型处理大数据集。有了这个，我们可以同时在分布式文件系统中运行算法，并选择最相似的集群。因此，任何企业都可以使用开源工具开发自己的推荐引擎架构，我们可以使用我们的技术专业知识帮助他们实现引擎。