大数据成就未来

第六届“泰迪杯”B题赛前指导  
张敏  
18/3/11
目录  

1   问题解读  

2   数据解读  

3   智能推荐介绍  

4   你要注意的  

大数据挖掘专家 2
问题解读  

一、产品的精准营销推荐    

根据附件1所给出的用户观看记录信息数据,试分析用户的收视偏好,并给出附件2中产品的营销推荐方案。    

1.  个性化的、非广播式的。  

2.  用户／产品间的关联。  

3.  用户特征／画像。  

4.  产品功能匹配。  

大数据挖掘专家 3
问题解读  

二、相似偏好用户的产品打包推荐    

为了更好地为用户服务,扩大营销范围,利用附件1~附件3的数据,试对相似偏好的用户进行分类(用户标签),对
产品进行分类打包(产品标签),并给出营销推荐方案。    

1.  对第一问综合深化。  

2.  用户分类依据（人口、家庭成员、职业？）。  

3.  单个产品功能如何互补／组合打包（产品功能如何标签化）。  

大数据挖掘专家 4
目录  

1   问题解读  

2   数据解读  

3   智能推荐介绍  

4   你要注意的  

大数据挖掘专家 5
数据解读  

用户在广电网络上的绝大部分行为  

用户收视信息：  

1.  用户收视信息：观看的频道，观看的起止时间。  

2.  用户回看信息：回看频道，回看起止时间。  

3.  用户点播信息：点播节目，点播金额。  

我们希望得到类似这样的信息：  

1.  张三家喜欢看体育类节目吗？他家有没有老人？小孩儿是男生还是女生？几岁了？  

2.  A节目和B节目有关系吗？互补还是互斥呢？  

大数据挖掘专家 6
数据解读  

目前的产品打包  

1.  单个产品组合形成套餐，目前有多个套餐，但区别度不高。  

2.  各个产品缺少标签自动生成机制。  

3.  套餐产品组合缺少数据支撑。  

4.  用户的主流需求有哪些。  

大数据挖掘专家 7
目录  

1   问题解读  

2   数据解读  

3   智能推荐介绍  

4   你要注意的  

大数据挖掘专家 8
智能推荐  

推荐系统概述  

2006年10月2日，Netflix(一家提供在线视频租赁服务的网站)开出100万美元奖金，奖励能把他们网站的产
品推荐精确度提高10%的人[1]。从上世纪90年代中期开始，推荐系统就成为一个独立的研究领域[2]。    

 

大数据挖掘专家 9
智能推荐  

从京东商城网站走进智能推荐    

大数据挖掘专家 10
智能推荐  

从电商网站网站认识智能推荐    

!
大数据挖掘专家 11
智能推荐  

电商网站用户画像  

据VentureBeat统计，全球最大的在线零售商之一Amazon的推荐系统为其提供了35%的商品销售额  

常见推荐方式  ：  

•  热点推荐／爆款／人气单品  

•  经常一起购买的产品：打包销售  

•  购买此产品的顾客同时也购买了：协同过滤－显式需求  

•  看过此商品后顾客购买的其他商品：协同过滤－隐式需求  

•  用户评论（打分）列表  

大数据挖掘专家 12
智能推荐  

用户在电商网站商的绝大部分行为  

用户行为 类型 特征 作用
评分 显式 整数量化的偏好，可能的取值是[0,n] 通过用户对物品的评分，可以精确得到用户的偏好
投票 显式 布尔量化的偏好，取值是0或1 通过用户对物品的投票，可以较精确地得到用户地偏好
通过用户对物品的投票，可以精确得到用户的偏好。如果是
转发 显式 布尔量化的偏好，取值是0或1
站内，同时可以推理得到被转发人的偏好（不精确）
保存书签 显式 布尔量化的偏好，取值是0或1 通过用户对物品的投票，可以精确得到用户的偏好
一段文字，需要进行文本分析，得到
评论 显式 通过分析用户的评论，可以得到用户的情感：喜欢还是讨厌
偏好
单击流 一组用户的点击，用户对物品感兴趣，用户的单击一定程度上反映了用户的注意力，所以它也可以
隐式
（查看） 需要进行分析，得到偏好 从一定程度上反应用户的偏好
页面停留 一组时间信息，噪声大，需要去噪， 用户的页面停留时间一定程度上反映了用户的注意力和偏好，
隐式
时间 分析得到偏好 但噪声偏大，不好利用
购买 显式 布尔量化的偏好，取值是0或1 用户的购买行为很明确地说明他对这个项目感兴趣

大数据挖掘专家 13
智能推荐  

推荐系统的功能  

1.  增加物品销售数量；  

2.  出售更多种类物品；  

3.  增加用户满意度；  

4.  增加用户忠诚度；  

5.  更好地了解用户需求；  

6.  扩大用户规模；  

7.  提升广告位价值。  

大数据挖掘专家 14
智能推荐  

常用推荐算法[4]    

90年代中期推荐系统成为一个学科领域开始，目前经常用到的一些算法有：    

1.  关联规则  

2.  Collaborative  Filtering(协同过滤)  

3.  SVD(隐语义分析模型)  

4.  KNN(K近邻)  

5.  Deep  Learning(深度学习)  

6.  ……  

 

大数据挖掘专家 15
推荐  

Collaborative  Filtering(协同过滤)  

2种基本方法:  

•  基于用户的协同过滤推荐（UBCF）  

•  基于物品的协同过滤推荐（IBCF）  

需要以下几个步骤：  

1.  收集用户偏好；  

2.  找到相似的用户或物品；  

3.  计算推荐  

 

大数据挖掘专家 16
推荐  

基于物品的协同过滤推荐（IBCF）  

用户101
物品A

物品B

用户102
物品C

物品D 用户103

大数据挖掘专家 17
推荐  

Collaborative  Filtering(协同过滤)  

A B C D

101 1 1 0 1
102 1 1 1 0
103 1

物品Jaccard相似系数：

| B∩ A | 2 | B ∩C | 1 | B∩D | 1
P= = =1 P= = = 0.5 P= = = 0.5
| B∪ A | 2 | B ∪C | 2 | B∪D | 2

大数据挖掘专家 18
推荐  

Collaborative  Filtering(协同过滤)  

A B C D

A 0 1 0.5 0.5
A B C D
B 1 0 0.5 0.5
101 1 1 0 1
C 0.5 0.5 0 0
102 1 1 1 0
D 0.5 0.5 0 0

用户物品矩阵 物品相似度矩阵

大数据挖掘专家 19
推荐  

Collaborative  Filtering(协同过滤)  

A B C D

A B C D A 0 1 0.5 0.5

101 3 4 3 5 夹角余弦 B 1 0 0.5 0.5

102 3 4 2 4 C 0.5 0.5 0 0
103 2 3 4 3
D 0.5 0.5 0 0

用户物品矩阵 物品／用户相似度矩阵

大数据挖掘专家 20
目录  

1   问题解读  

2   数据解读  

3   智能推荐介绍  

4   你要注意的  

大数据挖掘专家 21
你要注意的  

温馨提示  

1.  广电用户以家庭为单位，不同于购物网站用户。  

2.  电视产品的标签数据来源可不限于电视产品信息表。  

3.  你要善用文本挖掘和爬虫技术。  

4.  如何证明你的推荐方案是有效的。  

大数据挖掘专家 22
 大数据成就未来

泰迪科技：www.tipdm.com  
热线电话：40068-40020