协同过滤:
源于1992年直到2003年才被Amazon发表论文使用了
基本原理:
根据用户的行为历史生成用户-物品共现矩阵,利用用户相似性和物品相似性进行推荐
特点:
原理简单,直接,应用广泛
局限性:
泛化能力差,处理稀疏矩阵的能力差,推荐结果的头部效应较为明显
矩阵分解:
源于2006年Netflix举办推荐算法竞赛使推出的
基本原理:
将协同过滤算法中的共现矩阵分解为用户矩阵和物品矩阵,利用用户因向量和物品因向量的内积进行排序并推荐
特点:
相较协同过滤,泛化能力有所加强,对稀疏矩阵的处理能力有所加强。
局限性:
处理用户历史行为数据,难以利用其他用户,物品特征及上下文特征
逻辑回归:
基本原理:
将推荐问题装欢为类似于CTR预估的二分类问题,将用户