1.推荐系统是一种个性化系统
2.要通过媒介联系用户和物品,比如通过用户、物品、行为特征、标签等
3.基于用户和物品的协同过滤是最基础的推荐算法,它们都是基于邻域的算法
4.基于用户的协同过滤【UserCF】核心是构造用户相似度矩阵
5.基于物品的协同过滤【ItemCF】核心是构造物品相似度矩阵
6.UserCF推荐更社会化(新闻),反映用户所在的小型兴趣群体中物品的热门程度
7.ItemCF推荐更个性化(电商),反映了用户自己的兴趣传承
背景介绍
推荐系统是为了解决信息过载的问题,通过算法将用户与物品联系起来,把有价值的信息精准的展现给用户的系统。
这是笔者对推荐系统的下的定义。
当然《推荐系统开发实战》一书对推荐系统下的定义是:推荐系统是一种个性化系统,本质上是一种信息过滤系统,通过一定的算法在海量数据中过滤掉用户不太可能产生行为的物品,从而为用户推荐所需要的物品。
下面举一个例子加以解释。
你想购买一包花生米,有很多种方法,你可以就近选择附近的便利店,或者去大型商场问售货员找到相应的货架,还可以打开手机在淘宝上搜一搜,选择喜欢的品牌,然后下单。
毋庸置疑,我们身处在信息繁杂,信息过多的世界里,你有明确的需求,通过有多种途径找到你想要的信息。当用户没有明确需求的时候呢,比如你想搜索一篇关于某个知识点的论文,发现在如此浩瀚的知识海洋中很难查阅得到。这个时候,推荐系统的用武之地就体现了。它可以借助一些特征,比如用户的行为特征,通过算法将一些用户感兴趣的物品展现给用户,这样,不但减少了用户搜索信息的时间,还大大提高了整个社会的效率。
我们知道了,首先,推荐系统必须在信息过载的前提下才能体现其价值,如果只有屈指可数的几件商品,用不着推荐,用户直接从中挑选就是了。其次,它还要实现精准的把用户想要的信息展现给用户,也就是说,对用户展现的信息是有价值的。最后,它要根据某种媒介(用户特征,物品特征等)将用户与物品联系起来,才能实现推荐。