推荐算法之协同过滤和基于内容推荐

一.协同过滤

基于用户商品评分矩阵来做协同，典型的是根据余弦相似来求向量相似。

协同过滤典型的有两种Usercf和Itemcf，Usercf的思路就是根据a,b用户相似，将b用户喜欢的a用户未浏览过的商品推荐给a用户。

Itemcf意思就是根据1,2物品相似，对浏览过1商品但为浏览过2商品的用户推荐2商品。

协同的思想比较简单，也比较直观理解，应用比较成熟，效果也可以接受。

 

优点：

1.简单直接，可解释性强

2.可以发现推荐用户还未浏览过的商品，相当于自动寻找了用户潜在兴趣。

缺点：

1.冷启动问题，因为协同基于用户的评分矩阵来做，新用户没有评分，或评分少自然无法很好使用

2.策略简单，精确性不够

 

实际应用

1.实际应用中为了加快计算，往往进行矩阵分解，适当降维且可以加入一些隐语义信息。

而且矩阵稀疏，计算相似度效果不好，降维之后向量稠密，计算效果更稳定

Rm*n = Um*k.dot(Dk*n)

来了一个用户之后 Dk*n.dot(U1*n ^-1) 得到一个k个元素的列向量，代表了用户的信息矩阵，可用这个矩阵求和其他用户(也是k个元素向量)相似度，或者求该用户对于某商品的评分(两个k个元素向量点积)

2.另一个应用情景是根据求得a用户的topk个相似用户，根据这些用户对于a用户未评分商品的评分加权计算得到用户对于未评分商品的隐含评分，根据这个评分进行商品推荐。当然，上面的1场景中也是求某个用户对于未评分商品的评分情况，而且更通用直接，比2本身思路更快速通用求所有的情况。

 

二.基于内容推荐

1.基于内容推荐是另一类通用的推荐(召回)策略

实际使用中基本上根据用户历史行为交互的商品的类目，标签来进行相同类目，标签的未交互商品的推荐

 

优点：

1.几乎没有冷启动问题

2.稳定可靠

3.计算简单，效率高

缺点：

1.往往是雷同相似推荐，无法发现用户潜在且其未意识到的兴趣点

2.策略简单，效果也一般，实际仅用于召回阶段

 

和上面所讲的协同差异还是很明显的，协同基本就是根据平台用户商品历史交互行为来进行推荐或召回。而基于内容推荐的思路就是利用商品本身的一些聚类(标签)信息来进行相似商品推荐，所以它也是基于商品相似来推荐，但是它是面向具体的商品内容的，二者商品标签的画像可以是很多属性和维度的。当然二者不是截然对立的，因为商品的画像标签本身就可以包含交互的标签。