常用推荐算法.pdfVIP

1、基于人口统计学的推荐算法 用户 ：A 喜欢 电影A 年龄：25:-30 性别：女 用户A 用户： B 电影B 年龄：30:-35 似 相 性别：男 用户B 电影C 用户： C 年龄：25:-30 电影D 性别：女 用户C 基于人口统计学的推荐机制（Demographic-based Recommendation）是一种最易于实现 的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用 户喜爱的其他物品推荐给当前用户。系统根据用户的属性建模，比如用户的性别， 年龄，兴趣等信息。根据这些特征计算用户间的相似度，比如上图系统发现用 户A 和C 比较相似，就会把A 喜欢的物品推荐给C 。 优势： a 不需要历史数据，没有冷启动问题 b 不依赖于物品的属性，因此其他领域的问题都可无缝接入。 不足： 算法比较粗糙，效果很难令人满意，只适合简单的推荐 2、基于内容的推荐算法 电影 ：A 喜欢 电影A 类型：爱情，浪漫 用户A 电影： B 喜欢 电影B 类型：恐怖，惊悚 用户B 电影： C 电影C 类型：爱情，浪漫 用户C 基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据 推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录， 推荐给用户相似的物品。这种推荐系统多用于一些资讯类的应用上，针对文章本身抽取 一些tag 作为该文章的关键词，继而可以通过这些tag 来评价两篇文章的相似度。 系统根据电影的属性建模，比如电影的类型信息。根据这些特征计算电影间的相似度， 比如上图系统发现电影A 和C 比较相似，系统还会发现用户A 喜欢电影A ，由此得出结 论，用户A 很可能对电影C 也感兴趣，于是将电影C 推荐给A 。 优势： 对用户兴趣可以很好的建模，并通过对物品属性维度的增加，获得更好的推荐 精度 不足： a 物品的属性有限，很难有效的得到更多数据 b 物品相似度的衡量标准只考虑到了物品本身，有一定的片面性 c 需要用户的物品的历史数据，有冷启动的问题 3、协同过滤推荐算法 协同过滤（CF）推荐算法会寻找用户的行为模式，并据此创建用户专属的推荐内容。这种算 法会根据系统中的用户使用数据——比如用户对读过书籍的评论来确定用户对其喜爱程度。 关键概念在于：如果两名用户对于某件物品的评分方式类似，那么他们对于某个新物品的评 分很可能也是相似的。值得注意的是：这种算法无需再额外依赖于物品信息（比如描述、元 数据等）或者用户信息（比如感兴趣的物品、统计数据等）。协同过滤推荐算法可分为两类： 基于邻域的与基于模型的。在前一种算法（也就是基于内存的协同过滤推荐算法）中，用户 -物品评分可直接用