大數(shù)據(jù)技術(shù)原理與應(yīng)用第十三章大數(shù)據(jù)在不同領(lǐng)域的應(yīng)用

第十三講

大數(shù)據(jù)在不同領(lǐng)域的應(yīng)用提綱大數(shù)據(jù)應(yīng)用概覽第11章大數(shù)據(jù)在互聯(lián)網(wǎng)領(lǐng)域的應(yīng)用11.1推薦系統(tǒng)概述11.2推薦算法–協(xié)同過濾11.3協(xié)同過濾實踐–電影推薦系統(tǒng)第12章大數(shù)據(jù)在生物醫(yī)學(xué)領(lǐng)域的應(yīng)用12.1基于大數(shù)據(jù)的綜合健康服務(wù)平臺第13章大數(shù)據(jù)的其他應(yīng)用13.1大數(shù)據(jù)在物流領(lǐng)域中的應(yīng)用大數(shù)據(jù)應(yīng)用概覽11.1 推薦系統(tǒng)概述11.1.1 什么是推薦系統(tǒng)11.1.2 長尾理論11.1.3 推薦方法11.1.4 推薦系統(tǒng)模型11.1.5 推薦系統(tǒng)的應(yīng)用互聯(lián)網(wǎng)的飛速發(fā)展使我們進(jìn)入了信息過載的時代，搜索引擎可以幫助我們查找內(nèi)容，但只能解決明確的需求為了讓用戶從海量信息中高效地獲得自己所需的信息，推薦系統(tǒng)應(yīng)運而生。推薦系統(tǒng)是大數(shù)據(jù)在互聯(lián)網(wǎng)領(lǐng)域的典型應(yīng)用，它可以通過分析用戶的歷史記錄來了解用戶的喜好，從而主動為用戶推薦其感興趣的信息，滿足用戶的個性化推薦需求推薦系統(tǒng)是自動聯(lián)系用戶和物品的一種工具，和搜索引擎相比，推薦系統(tǒng)通過研究用戶的興趣偏好，進(jìn)行個性化計算。推薦系統(tǒng)可發(fā)現(xiàn)用戶的興趣點，幫助用戶從海量信息中去發(fā)掘自己潛在的需求11.1.1什么是推薦系統(tǒng)推薦系統(tǒng)可以創(chuàng)造全新的商業(yè)和經(jīng)濟(jì)模式，幫助實現(xiàn)長尾商品的銷售“長尾”概念于2004年提出，用來描述以亞馬遜為代表的電子商務(wù)網(wǎng)站的商業(yè)和經(jīng)濟(jì)模式電子商務(wù)網(wǎng)站銷售種類繁多，雖然絕大多數(shù)商品都不熱門，但這些不熱門的商品總數(shù)量極其龐大，所累計的總銷售額將是一個可觀的數(shù)字，也許會超過熱門商品所帶來的銷售額因此，可以通過發(fā)掘長尾商品并推薦給感興趣的用戶來提高銷售額。這需要通過個性化推薦來實現(xiàn)11.1.2長尾理論熱門推薦是常用的推薦方式，廣泛應(yīng)用于各類網(wǎng)站中，如熱門排行榜。但熱門推薦的主要缺陷在于推薦的范圍有限，所推薦的內(nèi)容在一定時期內(nèi)也相對固定。無法實現(xiàn)長尾商品的推薦個性化推薦可通過推薦系統(tǒng)來實現(xiàn)。推薦系統(tǒng)通過發(fā)掘用戶的行為記錄，找到用戶的個性化需求，發(fā)現(xiàn)用戶潛在的消費傾向，從而將長尾商品準(zhǔn)確地推薦給需要它的用戶，進(jìn)而提升銷量，實現(xiàn)用戶與商家的雙贏11.1.2長尾理論推薦系統(tǒng)的本質(zhì)是建立用戶與物品的聯(lián)系，根據(jù)推薦算法的不同，推薦方法包括如下幾類：專家推薦基于統(tǒng)計的推薦基于內(nèi)容的推薦協(xié)同過濾推薦混合推薦11.1.3推薦方法一個完整的推薦系統(tǒng)通常包括3個組成模塊：用戶建模模塊、推薦對象建模模塊、推薦算法模塊：用戶建模模塊：對用戶進(jìn)行建模，根據(jù)用戶行為數(shù)據(jù)和用戶屬性數(shù)據(jù)來分析用戶的興趣和需求推薦對象建模模塊：根據(jù)對象數(shù)據(jù)對推薦對象進(jìn)行建模推薦算法模塊：基于用戶特征和物品特征，采用推薦算法計算得到用戶可能感興趣的對象，并根據(jù)推薦場景對推薦結(jié)果進(jìn)行一定調(diào)整，將推薦結(jié)果最終展示給用戶11.1.4推薦系統(tǒng)模型圖11-1推薦系統(tǒng)基本架構(gòu)目前推薦系統(tǒng)已廣泛應(yīng)用于電子商務(wù)、在線視頻、在線音樂、社交網(wǎng)絡(luò)等各類網(wǎng)站和應(yīng)用中如亞馬遜網(wǎng)站利用用戶的瀏覽歷史記錄來為用戶推薦商品，推薦的主要是用戶未瀏覽過，但可能感興趣、有潛在購買可能性的商品11.1.5推薦系統(tǒng)的應(yīng)用圖11-2亞馬遜網(wǎng)站根據(jù)用戶的瀏覽記錄來推薦商品推薦系統(tǒng)在在線音樂應(yīng)用中也逐漸發(fā)揮作用。音樂相比于電影數(shù)量更為龐大，個人口味偏向也更為明顯，僅依靠熱門推薦是遠(yuǎn)遠(yuǎn)不夠的蝦米音樂網(wǎng)根據(jù)用戶的音樂收藏記錄來分析用戶的音樂偏好，以進(jìn)行推薦。例如，推薦同一風(fēng)格的歌曲，或是推薦同一歌手的其他歌曲11.1.5推薦系統(tǒng)的應(yīng)用圖11-3蝦米音樂網(wǎng)根據(jù)用戶的音樂收藏來推薦歌曲推薦技術(shù)從被提出到現(xiàn)在已有十余年，在多年的發(fā)展歷程中誕生了很多新的推薦算法。協(xié)同過濾作為最早、最知名的推薦算法，不僅在學(xué)術(shù)界得到了深入研究，而且至今在業(yè)界仍有廣泛的應(yīng)用協(xié)同過濾可分為基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾11.2.1 基于用戶的協(xié)同過濾（UserCF）11.2.2 基于物品的協(xié)同過濾（ItemCF）11.2.3 UserCF算法和ItemCF算法的對比11.2協(xié)同過濾基于用戶的協(xié)同過濾算法（簡稱UserCF算法）在1992年被提出，是推薦系統(tǒng)中最古老的算法UserCF算法的實現(xiàn)主要包括兩個步驟：第一步：找到和目標(biāo)用戶興趣相似的用戶集合第二步：找到該集合中的用戶所喜歡的、且目標(biāo)用戶沒有聽說過的物品推薦給目標(biāo)用戶11.2.1基于用戶的協(xié)同過濾（UserCF）圖11-4基于用戶的協(xié)同過濾（UserCF）11.2.1基于用戶的協(xié)同過濾（UserCF）實現(xiàn)UserCF算法的關(guān)鍵步驟是計算用戶與用戶之間的興趣相似度。目前較多使用的相似度算法有：泊松相關(guān)系數(shù)（PersonCorrelationCoefficient）余弦相似度（Cosine-basedSimilarity）調(diào)整余弦相似度（AdjustedCosineSimilarity）給定用戶u和用戶v，令N(u)表示用戶u感興趣的物品集合，令N(v)為用戶v感興趣的物品集合，則使用余弦相似度進(jìn)行計算用戶相似度的公式為：11.2.1基于用戶的協(xié)同過濾（UserCF）由于很多用戶相互之間并沒有對同樣的物品產(chǎn)生過行為，因此其相似度公式的分子為0，相似度也為0我們可以利用物品到用戶的倒排表（每個物品所對應(yīng)的、對該物品感興趣的用戶列表），僅對有對相同物品產(chǎn)生交互行為的用戶進(jìn)行計算11.2.1基于用戶的協(xié)同過濾（UserCF）圖11-5物品到用戶倒排表及用戶相似度矩陣用戶物品物品用戶用戶用戶得到用戶間的相似度后，再使用如下公式來度量用戶u對物品i的興趣程度Pui：其中，S(u,K)是和用戶u興趣最接近的K個用戶的集合，N(i)是喜歡物品i的用戶集合，Wuv是用戶u和用戶v的相似度，rvi是隱反饋信息，代表用戶v對物品i的感興趣程度，為簡化計算可令rvi=1對所有物品計算Pui后，可以對Pui進(jìn)行降序處理，取前N個物品作為推薦結(jié)果展示給用戶u（稱為Top-N推薦）11.2.1基于用戶的協(xié)同過濾（UserCF）基于物品的協(xié)同過濾算法（簡稱ItemCF算法）是目前業(yè)界應(yīng)用最多的算法。無論是亞馬遜還是Netflix，其推薦系統(tǒng)的基礎(chǔ)都是ItemCF算法ItemCF算法是給目標(biāo)用戶推薦那些和他們之前喜歡的物品相似的物品。ItemCF算法主要通過分析用戶的行為記錄來計算物品之間的相似度該算法基于的假設(shè)是：物品A和物品B具有很大的相似度是因為喜歡物品A的用戶大多也喜歡物品B。11.2.2基于物品的協(xié)同過濾（ItemCF）圖11-6基于物品的協(xié)同過濾（ItemCF）11.2.2基于物品的協(xié)同過濾（ItemCF）ItemCF算法與UserCF算法類似，計算也分為兩步：第一步：計算物品之間的相似度第二步：根據(jù)物品的相似度和用戶的歷史行為，給用戶生成推薦列表11.2.2基于物品的協(xié)同過濾（ItemCF）ItemCF算法通過建立用戶到物品倒排表（每個用戶喜歡的物品的列表）來計算物品相似度11.2.2基于物品的協(xié)同過濾（ItemCF）圖11-7用戶到物品倒排表及物品相似度矩陣用戶物品物品物品ItemCF計算的是物品相似度，再使用如下公式來度量用戶u對物品j的興趣程度Puj(與UserCF類似)：11.2.2基于物品的協(xié)同過濾（ItemCF）其中，S(j,K)是和物品j最相似的K個物品的集合，N(u)是用戶u喜歡的物品的集合，wji物品i和物品j的相似度，rui是隱反饋信息，代表用戶u對物品i的感興趣程度，為簡化計算可令rvi=1UserCF算法和ItemCF算法的思想、計算過程都相似兩者最主要的區(qū)別：UserCF算法推薦的是那些和目標(biāo)用戶有共同興趣愛好的其他用戶所喜歡的物品ItemCF算法推薦的是那些和目標(biāo)用戶之前喜歡的物品類似的其他物品UserCF算法的推薦更偏向社會化，而ItemCF算法的推薦更偏向于個性化11.2.3UserCF算法和ItemCF算法的對比圖11-4基于用戶的協(xié)同過濾（UserCF）圖11-6基于物品的協(xié)同過濾（ItemCF）UserCF算法的推薦更偏向社會化：適合應(yīng)用于新聞推薦、微博話題推薦等應(yīng)用場景，其推薦結(jié)果在新穎性方面有一定的優(yōu)勢UserCF缺點：隨著用戶數(shù)目的增大，用戶相似度計算復(fù)雜度越來越高。而且UserCF推薦結(jié)果相關(guān)性較弱，難以對推薦結(jié)果作出解釋，容易受大眾影響而推薦熱門物品ItemCF算法的推薦更偏向于個性化：適合應(yīng)用于電子商務(wù)、電影、圖書等應(yīng)用場景，可以利用用戶的歷史行為給推薦結(jié)果作出解釋，讓用戶更為信服推薦的效果ItemCF缺點：傾向于推薦與用戶已購買商品相似的商品，往往會出現(xiàn)多樣性不足、推薦新穎度較低的問題11.2.3UserCF算法和ItemCF算法的對比12.1基于大數(shù)據(jù)的綜合健康服務(wù)平臺大數(shù)據(jù)存儲數(shù)據(jù)源層技術(shù)支撐層業(yè)務(wù)層交互層用戶層個人用戶網(wǎng)絡(luò)醫(yī)院獨立體檢機構(gòu)社區(qū)衛(wèi)生服務(wù)機構(gòu)區(qū)域醫(yī)療信息平臺新農(nóng)合醫(yī)保社保大數(shù)據(jù)處理基于大數(shù)據(jù)的健康評估技術(shù)基于大數(shù)據(jù)的個性化診療技術(shù)面向普遍人群的通用型健康服務(wù)面向特定人群的主題式健康服務(wù)面向決策、科研等機構(gòu)的循證醫(yī)學(xué)數(shù)據(jù)服務(wù)面向健康服務(wù)機構(gòu)的信息服務(wù)醫(yī)療衛(wèi)生機構(gòu)專業(yè)健康服務(wù)機構(gòu)決策機構(gòu)科研機構(gòu)健康服務(wù)相關(guān)機構(gòu)個人用戶疾控中心門戶網(wǎng)站呼叫中心移動終端平臺接入API開放應(yīng)用平臺服務(wù)第三方檢測機構(gòu)大數(shù)據(jù)集成、存儲安全隱私數(shù)據(jù)標(biāo)準(zhǔn)目標(biāo)：構(gòu)建覆蓋全生命周期、內(nèi)涵豐富、結(jié)構(gòu)合理的以人為本全面連續(xù)的綜合健康服務(wù)體系，利用大數(shù)據(jù)技術(shù)和智能設(shè)備技術(shù)，提供線上線下相結(jié)合的公眾健康服務(wù)，實現(xiàn)“未病先防、已病早治、既病防變、愈后防復(fù)”，滿足社會公眾多層次、多方位的健康服務(wù)需求，提升人民群眾的身心健康水平。13.1大數(shù)據(jù)在物流領(lǐng)域的應(yīng)用菜鳥網(wǎng)絡(luò)到底是什么?中國智能物流骨干網(wǎng)，又名“菜鳥”菜鳥網(wǎng)絡(luò)計劃在5到8年內(nèi)，打造一個全國性的超級物流網(wǎng)。這個網(wǎng)絡(luò)能在24小時內(nèi)將貨物運抵國內(nèi)任何地區(qū)，能支撐日均300億元(年度約10萬億元)的巨量網(wǎng)絡(luò)零售額。1000億元投資物流基礎(chǔ)設(shè)施強強聯(lián)手共建智能骨干網(wǎng)絡(luò)物流信息系統(tǒng)向所有的制造商、網(wǎng)商、快遞公司、第三方物流公司完全開放智能物流集成商案例：阿里巴巴的中國智能物流骨干網(wǎng)（地網(wǎng)）本章小結(jié)本章內(nèi)容首先介紹了推薦系統(tǒng)的概念，推薦系統(tǒng)可幫助用戶從海量信息中高效地獲得自己所需的信息接著介紹了不同的推薦方法以及推薦系統(tǒng)在電子商務(wù)、在線音樂等網(wǎng)站中的具體應(yīng)用本章重點介紹了協(xié)同