推薦算法介紹

推薦算法介紹1基于人口統(tǒng)計學(xué)的推薦【用戶R這是最為簡單的一種推薦算法，它只是簡單的根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，然后將相似用戶喜愛的其他物品推薦給當(dāng)前用戶?！居脩鬜閔戶，年齡：?5-30雁別：女系統(tǒng)首先會根據(jù)用戶的屬性建模，比如用戶的年齡，性別，興趣等信息。根據(jù)這些特征計算用戶間的相似度。比如系統(tǒng)通過計算發(fā)現(xiàn)用戶A和C比較相似。就會把A喜歡的物品推薦給C。優(yōu)勢：a不需要歷史數(shù)據(jù)，沒有冷啟動問題b不依賴于物品的屬性，因此其他領(lǐng)域的問題都可無縫接入。不足：算法比較粗糙，效果很難令人滿意，只適合簡單的推薦2基于內(nèi)容的推薦與上面的方法相類似，只不過這次的中心轉(zhuǎn)到了物品本身。使用物品本身的相似度而不是用戶的相似度。網(wǎng)戶A用戶c用廣網(wǎng)戶A用戶c用廣13申瞬系統(tǒng)首先對物品（圖中舉電影的例子）的屬性進行建模，圖中用類型作為屬性。在實際應(yīng)用中，只根據(jù)類型顯然過于粗糙，還需要考慮演員，導(dǎo)演等更多信息。通過相似度計算，發(fā)現(xiàn)電影A和C相似度較高，因為他們都屬于愛情類。系統(tǒng)還會發(fā)現(xiàn)用戶A喜歡電影A，由此得出結(jié)論，用戶A很可能對電影C也感興趣。于是將電影C推薦給A。優(yōu)勢：對用戶興趣可以很好的建模，并通過對物品屬性維度的增加，獲得更好的推薦精度不足：a物品的屬性有限，很難有效的得到更多數(shù)據(jù)b物品相似度的衡量標(biāo)準(zhǔn)只考慮到了物品本身，有一定的片面性c需要用戶的物品的歷史數(shù)據(jù)，有冷啟動的問題3協(xié)同過濾協(xié)同過濾是推薦算法中最經(jīng)典最常用的，具體的思路我已經(jīng)在之前的一篇文章中提到過，大家可以去看一下。這里只想介紹一下協(xié)同過濾中的方法和剛才提到方法的區(qū)別。大家都知道協(xié)同過濾分為基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。那么他們和基于人口學(xué)統(tǒng)計的推薦和基于內(nèi)容的推薦有什么區(qū)別和聯(lián)系呢？下面簡單介紹一下?；谟脩舻膮f(xié)同過濾一一基于人口統(tǒng)計學(xué)的推薦基于用戶的協(xié)同過濾推薦機制和基于人口統(tǒng)計學(xué)的推薦機制都是計算用戶的相似度，并基于''鄰居〃用戶群計算推薦，但它們所不同的是如何計算用戶的相似度，基于人口統(tǒng)計學(xué)的機制只考慮用戶本身的特征，而基于用戶的協(xié)同過濾機制可是在用戶的歷史偏好的數(shù)據(jù)上計算用戶的相似度，它的基本假設(shè)是，喜歡類似物品的用戶可能有相同或者相似的口味和偏好。基于物品的協(xié)同過濾一一基于內(nèi)容的推薦基于項目的協(xié)同過濾推薦和基于內(nèi)容的推薦其實都是基于物品相似度預(yù)測推薦，只是相似度計算的方法不一樣，前者是從用戶歷史的偏好推斷，而后者是基于物品本身的屬性特征信息。協(xié)同過濾的優(yōu)勢：a它不需要對物品或者用戶進行嚴(yán)格的建模，而且不要求物品的描述是機器可理解的，所以這種方法也是領(lǐng)域無關(guān)的。b這種方法計算出來的推薦是開放的，可以共用他人的經(jīng)驗，很好的支持用戶發(fā)現(xiàn)潛在的興趣偏好不足：a方法的核心是基于歷史數(shù)據(jù)，所以對新物品和新用戶都有'冷啟動〃的問題。b推薦的效果依賴于用戶歷史偏好數(shù)據(jù)的多少和準(zhǔn)確性。c在大部分的實現(xiàn)中，用戶歷史偏好是用稀疏矩陣進行存儲的，而稀疏矩陣上的計算有些明顯的問題，包括可能少部分人的錯誤偏好會對推薦的準(zhǔn)確度有很大的影響等等。d對于一些特殊品味的用戶不能給予很好的推薦。e由于以歷史數(shù)據(jù)為基礎(chǔ)，抓取和建模用戶的偏好后，很難修改或者根據(jù)用戶的使用演變，從而導(dǎo)致這個方法不夠靈活。4混合推薦算法以上介紹的方法是推薦領(lǐng)域最常見的幾種方法。但是可以看出，每個方法都不是完美的。因此實際應(yīng)用中，向Amazon這樣的系統(tǒng)都是混合使用各種推薦算法，各取所長。因此我們在使用時，也可以多考慮一下什么情況下更適合使用哪種算法，來提高我們系統(tǒng)的效率。推薦系統(tǒng)的發(fā)展方向1需要考慮在保證推薦準(zhǔn)確性