数据挖掘与机器学习---推荐方法概述1.0

 

• 非个性化推荐：基于流行度的推荐，即什么歌流行推荐什么、什么新闻热点推荐什么、什么电视剧热门推荐什么。
• 个性化推荐：基于用户的历史特征或者其他特征，一定程度上符合用户特点的。在这里的用户特点可以指用户年龄、性别、职业，也可以指的是用户经常浏览的，亦或者其他。
• 混合推荐：综合个性化推荐和非个性化推荐。

1.什么是协同过滤的推荐？

题主这里建议可以从字面上来理解，借助相同的因素找到其他物品，并且将相同的过滤掉，推荐给用户。

传统意义上，协同过滤的推荐方法，包括了基于用户的协同过滤和基于物品的协同过滤。

基于用户的协同过滤算法，主要是借助相似用户之间，推荐相互不同的物品。比如，用户A喜欢1234，用户B喜欢1235，则向用户A推荐5，向用户B推荐4。

基于物品的协同过滤算法，主要借相似物品之间，推荐其他相似物品。比如，用户A喜欢123456，1234属于第一类物品，56属于第二类物品，789同属于第一类物品，在这样情况下，偏向推荐第一物品即789。

而随着发展，协同过滤的推荐方法，包含了基于模型的协同过滤方法。与传统意义上的协同过滤算法相同的是，借助相同的已有的，推荐已有的方法。

基于模型的协同过滤算法，利用了诸如关联规则、分类、聚类等一系列算法。这些算法，借助一定总体的用户数据，预测用户喜好的物品。如关联规则，通过对整体数据的挖掘建模，推测出用户A在购买物品1的同时，也有较大的可能购买物品2。这里与基于记忆的协同过滤不同的是，基于记忆的算法主要利用的是“个人记忆”，即单个用户群体的数据；而基于模型是对整体数据的建模。

2.基于内容的推荐与基于物品的协同过滤推荐的区别？

基于内容的推荐，考虑物品中的具体内容，比如文本。通过对物品中具体内容分析，计算特征以代表物品，从而计算相似度。该方法多用于物品属于文本的情况，而对于音频、视频来讲，特征的构建难度大，因此并不采取该方法。

对于基于物品的协同过滤，则是基于物品与用户的关系来讲。

以上是题主查阅资料所做的概述，但是题主本身认为，基于内容的推荐属于基于物品的协同过滤推荐。在判别物品相似度时，总需要抽取物品特征，可将文本的特征抽取纳入该范围之内。

3.推荐系统存在的问题

数据稀疏、冷启动、大数据与增量等

详见下面的链接

http://blog.sciencenet.cn/home.php?mod=space&uid=3075&do=blog&id=554630