推荐系统基础知识

目录

• 1、定义
• 2、分类
• 3、常用推荐算法
• 4、应用场景
• 5、实现步骤

1、定义

为了解决信息过载、用户无明确需求的问题，找到用户感兴趣的物品，才有了个性化推荐系统。

2、分类

按照目标用户划分：基于大众行为推荐，基于个性化推荐；

按照数据源划分：基于人口统计学推荐，基于内容推荐，基于协同过滤推荐；

按照推荐模型划分：基于关联规则推荐，基于机器学习模型推荐。

3、常用推荐算法

其一，基于用户的协同过滤算法：先计算的是用户与用户的相似度，然后将相似度比较接近的用户A购买的物品推荐给用户B。

其二，基于物品的协同过滤算法：使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户。

其三，基于混合机制协同推荐算法：推荐往往都不是单纯只采用了某一种推荐的机制和策略，他们往往是将多个方法混合在一起，从而达到更好的推荐效果。一般常见：加权的混合、分区的混合。

4、应用场景

今日推荐、新品推荐、捆绑销售、他人购买。

5、实现步骤

•     准备数据：浏览、收藏、关注、转发、评价、评价，下单 的数据。
•     处理数据：降噪，将不需要的干扰数据清理，归一化，将数据统一计算到某个区间，得到数据，内容为用户、商品、偏好度。
•     算法模型：其一，基于用户的协同过滤算法，算用户与用户之间的相似度，然后截取最近邻域(按照邻居个数、按照邻居的距离)，得到用户A的相似用户的偏好物品的结果集用来推荐, 推荐的结果集与用户A已经购买过的进行去重。其二，基于物品的协同过滤算法，算物品与物品之间的相似度，然后截取最近邻域(按照邻居个数、按照邻居的距离)，拿着用户已经购买的商品，去找每个商品相似度最高的商品列表，汇总成一个推荐结果集。
•     业务干预推荐结果:  补全、过滤、丰富度、上下线、强推等。
•     展现用户：前端展示。
•     反馈机制：需要时间积累结果。