常见的推荐算法根据使用数据源的不同可将其大致分为三类:
分别是协同过滤的推荐方法、
基于内容的推荐方法
基于知识的推荐方法
三类算法进行不同程度融合之后出现的混合推荐算法。
一、协同过滤,又分为基于用户、基于物料的、基于模型的
基于用户的实现原理:
1.用户之间的距离
2.将用户之间相近的,推荐给他们喜欢的物料
3.通过收集用户反馈数据,进一步优化用户之间的距离
基于物料的实现原理:
1.物料之间的相似度矩阵
2.收集用户评分高的物料
3.将与用户评分高的相似度举例近的物料,推荐给用户
4.通过收集用户反馈数据,进一步优化数据
二、基于内容推荐方法
实现原理:建立用户画像-行为偏好,建立物料画像,特征,通过相似度计算,然后推荐
弊端:建立用户画像,需要基于大量用户行为数据
实现步骤,同上
基于内容的推荐方法和协同过滤方法中基于视频之间的协作的最大区别是它不需要任何用户数据,而基于视频之间的协作它需要维护一个视频间相似度矩阵,然后将和该用户评过高分相似的视频推荐给该用户,它的主要数据对象对象是用户和视频,而基于内容的推荐方法的数据对象就只是某一个用户的历史视频。
三、基于知识的推荐方法
类似于专家系统里面的知识库