常见推荐算法的总结

一、基于内容的推荐

通过对商品本身的特征抽取、建立相似性列表、再利用用户对商品的反馈（购物车、收藏），进行推荐

优点：可解释、用户独立性强

缺点：难以挖掘用户的隐藏兴趣、个性化低、对新用户存在冷启动问题、特征抽取工作量大、困难

二、基于用户特征的推荐——人口统计

利用用户的统计特征，如性别、年龄、职业等

缺点：难以挖掘用户的真正的需求、个性化程度低

————以上两种都是利用商品、人的本身属性进行相似性的推荐，及本身属性的相似度

三、协同过滤

——不抽取本身的属性，利用用户行为的相似度——依赖于行为数据

1）基于用户的协同过滤

基于用户行为的相似度，具有相同购物列表的用户具有更高的相似性，可以进行交叉推荐

优点：适用于电子商务等大型数据场景、不用抽取项目本身特征、个性化、可以挖掘要用户潜在兴趣、可以推荐多样性，多领域的商品

缺点：冷启动、依赖用户行为数据——数据稀疏问题、对长尾商品难以挖掘

2）基于商品的协同过滤——电子商务系统使用最广泛的算法

——通过用户行为度量商品的相似度，及大部分喜欢A商品的用户同样也喜欢B，则可以认为A和B相似，

找到用户感兴趣的商品的相似商品进行推荐

优缺点：与上面基本一致，不同：优点：可以挖掘长尾商品、缺：多样性差

3）基于模型的协同过滤

——利用用户行为来训练用户偏好模型才进行推荐（及不在利用相似度推荐、而是利用数据训练一个判别模型直接产生结果）

方法：贝叶斯网络、隐语义模型、矩阵分解

优点：适用于数据稀疏的场景、不抽取本身特征、个性化高、准确、可以挖掘用户潜在兴趣

缺点：训练代价高、无法解决冷启动问题

四、关联分析——购物篮推荐

——利用关联分析方法，找到关联商品进行推荐

优点：可以发现新的兴趣、不需要其他知识、不用抽取特征

缺点：规则冗余、质量难以保证

五、混合推荐

——常会吧协同过滤和其他推荐技术结合起来，解决冷启动、数据稀疏问题