快速构建推荐系统？来听听亚马逊的解决方案

Posted 2021-05-01 机器之心

当我们在 Amazon 上购买图书时，会经常看到下面两个提示：1）这些书会被其他人一起购买，并且价格上有一定的折扣；2）购买了这本书的人，也会购买其他书。Amazon对平台中海量的用户记录进行挖掘，发现了这些规律，然后将这些规律应用于实际销售工作当中。结果显示，使用这种算法优化，对于当时亚马逊业绩的提升起到了很大作用。

今天,随着电子商务规模的不断扩大，商品种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关信息和产品的过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。

个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。区别于传统的规则推荐，个性化推荐算法通常使用机器学习甚至深度学习算法，对于用户信息与其行为信息充分挖掘，进而进行有效的推荐。

常用的推荐算法有很多，其中最为经典的，是基于 Matrix Factorization（矩阵分解）的推荐。矩阵分解的思想简单来说就是每一个用户和每一个物品都会有自己的一些特性，用矩阵分解的方法可以从评分矩阵中分解出用户—特性矩阵，特性—物品矩阵，这样做的好处是得到了用户的偏好和每件物品的特性。矩阵分解的思想也被扩展和泛化到深度学习及 embedding 中，这样构建模型，能够增强模型的准确率及灵活易用性。

如何快速构建推荐系统？我们今天要推荐的方案是使用 Amazon SageMaker。SageMaker 是一项完全托管的服务，涵盖了 ML 的整个工作流，可以标记和准备数据、选择算法、训练模型、调整和优化模型以便部署、预测和执行操作。

同时，本方案基于 Gluon API，Gluon 是微软联合亚马逊推出的一个开源深度学习库，这是一个清晰、简洁、简单但功能强大的深度学习 API，该规范可以提升开发人员学习深度学习的速度，而无需关心所选择的深度学习框架。Gluon API 提供了灵活的接口来简化深度学习原型设计、创建、训练以及部署，而且不会牺牲数据训练的速度。

为了帮助大家详细讲解这一方案，我们邀请到亚马逊AWS解决方案架构师陈磊于 6 月 9 日晚 8 点带来线上直播分享。

课程主题：使用Amazon SageMaker构建基于gluon的推荐系统

课程时间：6 月 9 日 20:00 

课程主讲：陈磊，AWS解决方案架构师

讲师简介：现主要负责初创企业行业解决方案。成功实施过多个创业项目，具备项目成功出海的架构、开发、运维经验。

课程概要：本课程将从入门阶段开始介绍如何利用 Amazon SageMaker 基于 gluon 构建一个简单的推荐系统，并且将它进行部署调用，最后通过现场演示可以让大家有直观的上手体验。

下面还有一个大神出没的微信群：

如果达到人数上限，添加机器之心小助手：syncedai6，备注「AWS」，邀请加入交流群。

时不我待，赶快加入，点击阅读原文，直达直播间。