前言

在這一篇，我們將介紹 Recommendations Solution，並且實際測試推薦結果。原先想要介紹 cognitive service Recommendations API，但這幾天赫然發現這個服務在明年初就會關閉，頓時間沒了題材。運氣很好的是，依據官方建議使用 Recommendations Solution 這個專案。簡單瀏覽一下似乎這專案與原先的 Recommendations API 差異不大，似乎只是轉換成專案版本，可提供有興趣的朋友測試。

架構

伺服器架構
Recommendations Solution 這個專案可以直接佈署至 Azure，會產生 Azure Web Application, Azure Storage, 與 Azure Application Insights (通常我會刪掉這個)，如下圖所示：

整個推薦解決方案包含了幾個步驟

1. 目錄與使用資料：定義使用資料並餵入歷史交易資料，我們要將資料放在Azure Storage
2. 建立 Model 與訓練：建立訓練模組(資料來源與相關設定)並進行訓練
3. 呼叫推薦資料：顧名思義，推薦客戶想要的商品

資料 - (Catalog and Usage Data )
目錄資料包含提供給客戶的資料格式，檔案格式為csv，內容格式如下：

官方提供的範例如下：

使用資料即為實際交易資料，檔案格式為 csv，內容格式如下：

官方提供的範例如下：

官方的經驗為交易數量為商品數量20倍為不錯的數據，意思是你有 20項商品的時候，應該要有400 交易資料。但你仍然要試驗自己的最佳數據。

演算法 - Smart Adaptive Recommendations (SAR) Algorithm
在上一章節，我們有提到協同過濾 (Collaborative Filtering) 推薦方法，SAR 也是協同過濾方法之一，而此演算法主要會建立兩種矩正，藉此紀錄關聯性並進行推薦。

• 商品-使用者矩陣：紀錄使用者點閱與購買次數，依據權重不同做計算。
• 商品-商品矩陣：主要紀錄商品在那些資料出現的次數，並透過數學計算同時出現相關機率。

推薦計算方法則有兩種：

• 使用者推薦：依據過往使用者交易紀錄，推薦物品給不同的使用者。
• 同時出現推薦：推薦相似度高的商品

詳細計算內容不在贅述，若有興趣請見：https://github.com/Microsoft/Product-Recommendations/blob/master/doc/sar.md

API
很貼心的在你佈署完專案後，專案內附加 swagger 服務，讓你使用 API 與測試更加方便

參考資料

1. Smart Adaptive Recommendations (SAR) Algorithm - https://github.com/Microsoft/Product-Recommendations/blob/master/doc/sar.md
2. Product-Recommendations - https://github.com/Microsoft/Product-Recommendations/blob/master/doc/api-reference.md#catalog-file-schema