推荐算法 - 常用推荐算法

推荐的核心思想是：样本在空间中不会均匀分布，而是成簇（或者说具有某种偏好）。

1. 基于人口统计学的推荐

基于人口统计学的推荐算法时间上是一种简单的人工规则，一般来说根据用户的基本信息：如年龄，学历，地理位置等等来寻找相似用户进行推荐。其基本特点为：

1）这种方法仅仅依靠用户基本注册信息，而不依靠用户的历史行为数据，因此不存在冷启动问题。类似于膜拜杯中直接根据地理位置来预测用户的目的地。

2）显然，这种方法非常粗糙。

2. 基于内容的推荐

基于内容的推荐其实就是一个相似度度量，比如比较两篇文档的TF-IDF。或者在许多音乐网站，书籍网站，会对物品建立一些tag，从而来进行相似度度量。其基本特点为：

1）不需要用户数据，不存在冷启动问题；

2）由于采用的特征是物品本身的属性，不受用户的干扰，因此不存在过度推荐问题；

3. 基于关联规则的推荐

基于关联规则的推荐，就是从物品中挖掘频繁项集，比如apriori算法挖掘频繁模式。当然这一般需要离线计算，因为apriori算法复杂度比较高的。

1）由于关联规则是依靠用户的历史数据的（比如啤酒 + 尿布），因此存在冷启动问题；

2）存