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