推荐系统/协同过滤
一、推荐系统概念、描述
- 概念:大数据在互联网领域的典型应用,它可以通过分析用户的历史记录来了解用户的喜好,从而主动为用户推荐其感兴趣的信息,满足用户的个性化推荐需求。
- 描述:通过研究用户的兴趣偏好,进行个性化计算;可发现用户的兴趣点,帮助用户从海量信息中去发掘自己潜在的需求。
二、基于用户和物品的协同过滤概念、内容、对比以及总结
- 概念
- 基于用户:计算用户与用户之间的兴趣相似度。
- 基于物品:通过分析用户的行为记录来计算物品之间的相似度。
- 内容
- 基于用户:①找到和目标用户兴趣相似的用户集合。② 第二步:找到该集合中的用户所喜欢的、且目标用户没有听说过的物品推荐给目标用户。
- 基于物品:①计算物品之间的相似度。②根据物品的相似度和用户的历史行为,给用户生成推荐列表。
- 对比
- UserCF算法推荐的是那些和目标用户有共同兴趣爱好的其他用户所喜欢的物品,ItemCF算法推荐的是那些和目标用户之前喜欢的物品类似的其他物品。
- UserCF算法的推荐更偏向社会化,ItemCF算法的推荐更偏向于个性化。
- 总结
- 优点
- ①不需要对物品或者用户进行严格的建模,而且不要求物品的描述是机器可理解的,这种方法与领域无关。
- ②这种方法计算出来的推荐是开放的,可以共用他人的经验,很好的支持用户发现潜在的兴趣偏好。
- 优点