VIP20
本课程属于：030-实时推荐数据平台 数据工程与实时数据平台 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

复杂事件处理与推荐集成应用

📚 共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
第1章
CEP基础概念
事件、事件流、事件模式、复杂事件处理定义，构建实时分析的理论基石。
事件模型模式定义
第2章
推荐系统概述
推荐系统目标、经典架构、常用算法简介，理解推荐全貌与核心挑战。
架构算法
第3章
CEP与推荐系统的结合点
实时性需求、用户行为序列、上下文感知，打通流处理与推荐引擎。
实时上下文
第4章
事件模型设计
事件类型定义、事件属性、事件时间戳，规范化事件结构。
建模时间戳
第5章
事件源接入
用户点击流、浏览日志、购买记录、实时消息队列，多源异构数据集成。
数据源消息队列
第6章
事件预处理
数据清洗、事件标准化、事件丰富化，提升事件质量与可用性。
清洗标准化
第7章
事件模式语言
时间窗口、序列模式、逻辑组合、量词，灵活表达复杂事件规则。
模式窗口
第8章
滑动窗口与跳跃窗口
窗口类型、窗口大小、滑动步长，精准控制事件分析范围。
窗口滑动
第9章
事件匹配引擎
NFA（非确定性有限自动机）原理、匹配过程，高效事件检测核心。
NFA匹配
第10章
事件优先级与淘汰策略
事件过期、优先级队列、内存管理，保障系统稳定与实时性。
优先级淘汰
第11章
用户实时画像构建
基于事件流的特征提取、标签更新，动态刻画用户兴趣。
画像特征
第12章
会话识别与分割
会话定义、超时策略、会话内事件聚合，理解用户行为单元。
会话聚合
第13章
序列模式挖掘
频繁序列、Apriori-like算法、PrefixSpan，发现行为规律。
序列挖掘
第14章
时间衰减模型
指数衰减、线性衰减、在推荐权重中的应用，强化近期信号。
衰减权重
第15章
实时特征工程
滑动统计特征、比率特征、趋势特征，在线生成高价值特征。
特征统计
第16章
CEP驱动的协同过滤
实时用户相似度计算、物品相似度更新，动态协同推荐。
协同过滤实时
第17章
基于CEP的关联规则推荐
实时频繁项集挖掘、规则匹配，发现物品间强关联。
关联规则挖掘
第18章
上下文感知推荐
时间上下文、地点上下文、设备上下文，融入环境信息。
上下文感知
第19章
实时重排序
基于近期事件的候选集动态调整，提升推荐新鲜度。
重排序动态
第20章
突发检测与热点推荐
事件频率突变检测、热点话题追踪，捕捉流行趋势。
突发热点
第21章
用户意图识别
基于事件序列的意图推断、购买意向预测，预判用户目标。
意图预测
第22章
A/B测试框架
事件分流、实验组/对照组、指标实时计算，科学评估效果。
A/B实验
第23章
系统架构设计
事件总线、CEP引擎、推荐服务、存储层，端到端架构解析。
架构设计
第24章
开源CEP引擎选型
Esper、Flink CEP、Siddhi对比，技术选型与适用场景。
选型对比
第25章
性能优化
事件吞吐量、延迟优化、状态管理、并行化，压榨系统性能。
性能优化
第26章
容错与一致性
Exactly-once语义、检查点、故障恢复，保证数据准确。
容错一致性
第27章
案例1：电商实时推荐
基于浏览序列的加购预测，实战电商场景CEP应用。
电商加购
第28章
案例2：新闻推荐
基于点击序列的实时兴趣漂移，追踪新闻阅读偏好变化。
新闻兴趣漂移
第29章
案例3：视频推荐
基于观看时长事件的续播推荐，提升视频平台留存。
视频续播
第30章
总结与展望
CEP+推荐未来趋势、与深度学习结合、端侧CEP，前沿方向探讨。
趋势深度学习