推荐系统 分析

推荐系统的组成

1. 收集用户信息的行为记录模块
2. 分析用户喜好的模型分析模块
3. 推荐算法模块

推荐系统分类

推荐算法
1. 基于内容的推荐系统(Content-based recommendation)
2. 协同过滤推荐系统(Collaborative Filtering recommendation)
3. 混合推荐系统(Hybrid recommendation)
4. 基于网络结构的推荐系统(Netword-base recommendation)

基于内容的推荐系统（推荐电影）

核心思想
依靠提取对象的内容特征，推荐类似属性的商品。该算法不需要用户的评价打分内容，而是根据计算商品与用户已选择的商品之间的物品内容相似度，然后进行推荐。该推荐系统可以通过物品的关键词标签（Tag）等物品元数据模型，根据p种商品属性建立p维空间，使用最近邻原则，计算所有物品与该物品的相似度，选择相似度最高的商品进行推荐。基于用户具有相似的爱好和兴趣。

协同过滤推荐系统

协同过滤是利用集体智慧的一个典型方法。
要理解什么是协同过滤(Collaborative Filtering, 简称CF)
首先想一个简单的问题，如果你现在想吃水果，但你不知道具体看吃哪一种，你会怎么做？大部分的人会问问身边的朋友，看看家里所有的水果哪一种更适合自己，而我们一般更倾向于从口味比较，类似的家人那里得到推荐。这就是协同过滤的核心思想。

当已经对用户行为进行分析得到用户喜好后，我们可以根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐，这就是典型的CF的两个分支：基于用户的CF和基于物品的CF。

基于用户的协同过滤算法UserCF
基于UserCF的基本思想相当简单，基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。
计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到K邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的位涉及物品，计算得到一个排序的物品列表作为推荐。

基于物品的协同过滤算法ItemCF
基于ItemCF的原理与基于UserCF类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到类似的物品，然后根据用户的历史偏好，推荐类似的物品给他。
从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。