淘宝推荐算法研究

研究涉及单方面的最优化，但是对于淘宝的推荐来说，我们需要把握整个推荐的大方向大数据量的平衡，因此，向用户推荐商品有两方面需要考虑：推荐方向和推荐准确率。

对于推荐的方向，不仅需要针对历史来推荐还需要为未来推荐，以下有三种推荐算法考虑。

1.       基于内容的过滤：历史推荐

对商品进行tag标注，并对其相关特征进行提取，结合成为该商品的内容特征；同时对用户购买的商品也做特征提出，通过两方面的内容匹配来推荐给用户商品。

2.       基于协同的过滤算法：未来推荐

基于内容的算法可以推荐给用户兴趣相似的商品，但是无法为用户提供新的感兴趣商品，这就需要我们采用协同的思想。协同算法通过相似的用户群和相似的商品进行推荐，可以采用聚类分类等算法来形成相似群体。

3.       基于内容的协同算法

该算法结合了内容和协同两方面，增加了内容项的相似度比较来进行推荐。

对于推荐的准确率，可以通过上述的过滤的实现加上检索算法进行。

淘宝里面有各个完备的数据。每个人都有属于它的信息，这些信息包括年龄、性别、购买过的产品、收藏的商家等信息；同样，每一样物品都有它的信息，包括关键词、类别、购买人、所属商家等。可以对这些特征进行整理，通过聚类算法、预测算法和分类算法等来产生基础的信息库。

1.       预测算法：以商品属性等因素作为指标，进行回归模型建立。

2.       分类算法：通过商品性别判断、用户年龄段判断等，或进行分类模型建立来预测推荐。

3.       聚类算法：对人群或者商品进行分组，用于对特征的降维处理，筛选候选，加快运算速度。