基于人口统计学推荐:
基于用户基本信息,找出用户相似度,根据“邻居”用户活动进行推荐
优点:无需用户历史数据,不存在冷启动问题
缺点:基于用户个人信息推荐不够精准,且用户私人信息难以获取
人——>人 推荐物
基于内容推荐:
核心思想是根据物品或内容的元数据,找到物品或内容的相关性,基于用户历史记录推荐相似物品
缺点:需要对物品进行分析建模,推荐质量依赖于对物品的建模完整程度。单考虑物品或内容并未考虑人的影响。
物——>物 推荐物
基于协同过滤推荐:
基于用户对信息的偏好,发现物品本身内容的相关性,或者是用户内容的相关性
基于用户的协同过滤推荐:
找出所有人的物品偏好,再对物品相似的人聚类,找出K-Neighbors进行推荐
和基于人口统计学推荐都是计算用户相似度,但是人口统计学只考虑用户本身特征
人——>物 推荐物
基于项目的协同过滤推荐:
使用所用用户对物品的偏好,发现物品与物品之间的相似度,再基于物品的相似度推荐给相似品味的用户
基于内容的推荐是只根据物品本身特性而基于项目协同过滤推荐包含客户历史数据
基于模型的协同过滤推荐:
对用户建模,实时预测客户喜好