推荐系统简述-- 概念、方法、算法

推荐系统是近年来计算机数据领域很火的一个话题，其与搜索引擎有类似之处，但是却大不相同。先从几个方面概述下推荐系统

• 目的：推荐引擎解决的问题是内容发行，内容曝光，内容更合理的接触用户（是主动的push行为），帮助用户节省时间，发现自己想要的
• 逻辑：推荐引擎的逻辑： 基于用户行为历史记录和用户行为规律做分析进行预测；

• 推荐引擎的四种推荐策略
  • 1.热门推荐，寻找与你相关的近期的热门资讯
  • 2.兴趣推荐：寻找与你兴趣范围的资讯
  • 3.地域引擎：根据用户经常出现地点做本地化资讯推荐
  • 4.探索引擎：基于用户行为的深度挖掘以及人际关系，依据内在关联关系做推荐

• 推荐引擎解决人与信息之间的关系，其实也包含人与人之间的关系，比如协同过滤，协同过滤就是求相似度的用户，推荐用户的公共子集的其它文章。
• 推荐引擎的兴趣模型： 长期兴趣模型和短期兴趣模型
  • 短期兴趣模型：短期内关注的文章，比如当下的热门话题
  • 长期兴趣模型：基于一段时间的数据分析，用户的兴趣模型
• 推荐引擎和搜索引擎比较
  • 底层逻辑基本一致
  • 不同：搜索引擎，输入的是用户输入的关键字；推荐引擎，输入的是用户的行为，是用户行为的积累，对其分析进行输入
• 推荐算法后续
  • 没有最好的算法，只有合适的算法
  • 数据是基础，数据充足而又有质量，那么简单的算法也可以有不错的效果；反之，好算法，效果也不好
  • 木桶效应：算法策略要和用户需求，功能展示相关；
  • 一般而言，推荐算法需要考虑是否能处理大数据，是否并行化