推荐算法分类
非个性化推荐
- 热门榜单
- 最多观看
热点检测:让全局优秀内容被大家看到
- 数据:一段时间内的浏览量、点赞量、评论数、转发数
- 时效:推荐需要考虑时间维度。因为有些内容已经热了很久了,可能因为马太效应(强者越强、弱者越弱),放到热门栏目继续推荐继续热不是我们先要的,所以要增加时间惩罚因子。
- 新内容的发现:建立预测模型,通过内容的历史数据,预测未来的内容热度。
个性化推荐
基于内容的推荐算法
原理:根据电影的内容(类型、主演)去推荐。
优点:
- 避免Item的冷启动问题(较少关注的Item如果内容趋近就会推荐)
缺点:
- 推荐的Item可能重复
- 很难提取内容特征
协同过滤推荐算法
原理:用户喜欢相似用户喜欢的商品
- 基于用户
- 基于Item
- Model-based collaborative filtering,包括Aspect Model,pLSA,LDA,聚类,SVD,Matrix Factorization
基于知识的推荐算法
基于知识的推荐算法,也有人将这种方法归为基于内容的推荐,这种方法比较典型的是构建领域本体,或者是建立一定的规则,进行推荐。