传统推荐系统分类

基于用户行为

Content Based
基于内容本身特征

• 前提：Item - 特征， 用户 - items （喜爱程度）
• 推导：用户 - 特征（喜爱程度）
• 结果：用户 - 未知 item （喜爱程度）

User Collaborative Filtering
相似用户喜欢的内容

• 前提：用户 - items （喜爱程度）
• 推导：用户相似度
• 结果：用户 - 未知 item （喜爱程度）

Item Collaborative Filtering
用户喜欢内容的相似内容

• 前提：用户 - items （喜爱程度）
• 推导：同时喜欢两个物品的用户数 → 物品相似度
• 结果：用户 - 未知 item （喜爱程度）

方法	说明	适用范围	特点	适用场景
CB	基于内容本身特征
ItemCF	基于用户对内容评分	用户数>>Item数	系统多样性，长尾，个性化	购物网站、技术博客
UserCF	基于用户组	Item数>>用户数	单用户多样性，热门，社会化	新闻、短视频

基于标签

标注方法

• 用户打标、运营打标、系统打标

标签分类

• 内容、类别、创作者、品质、难度、组织 ……

推导过程

• 前提：用户-内容（喜爱程度）、内容-标签
• 推导：用户-标签
• 结论：用户-未知内容（喜爱程度）

基于上下文

时间
用户的偏好迁移（短期偏好、长期偏好） —— User CF、Item CF 都可以加入时间衰减函数
内容的生命周期
季节效应
节日选择

地域和热度
新闻、酒店推荐 ……
基于点击率预估

这三种传统推荐算法局限性：不适用于亿级数据、协同矩阵稀疏、无法达到秒级实时性

一般推荐系统架构图：