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