【CF&关联规则】推荐系统常见算法与应用场景分类与比较

最近在做一个内嵌推荐算法的推荐系统，当时想的是会java多一点就用java做吧（其实也是半瓢水），一做一个不吱声，下面记录一下常见推荐系统里的推荐算法，以及我使用的算法的特点与场景。

1分类概述

推荐分类	算法	代表算法特点
面向客户需求推荐	分类模型（逻辑回归/神经网络）	-
基于购物车的推荐	关联规则	2.1
基于物品相似性的推荐	item-based CF	2.2.1
基于客户相似性的推荐	user-based CF/knn	2.2.2
基于内容的推荐	关联规则或SVD方法	-
市场细分	K-Means等聚类	-

代表算法特点介绍

2.1应用关联规则到推荐

关联规则其实是一个很方便的发现两样商品关系的算法。共同提升的关系表示两者是正相关，可以作为互补品，如尿不湿和啤酒一起卖是最经典的。

• 相关概念
  规则 X 的支持度 = 包含规则 X 的交易购物车数 /购物车总数。
  理解：支持度表示规则 X 是否普遍。
  规则 X(A→B) 的置信度 = 包含规则 X 的交易购物车数/规则X中含商品B的交易购物车。
  理解：置信度是一种条件概率，表示购买了A产品的客户再购买B产品的概率。

总体理解：

支持度的分母都是5，也就是购物车的数量，分子则是选取这个规则中的所有商品同时出现在一个篮子的次数。
以A->D为例，同时包含A和D的篮子有2个，总的交易数量有5个，所以规则A->D的支持度为2/5；
有商品 A 的购物车个数为3，在这三个购物车中，其中2个购物车又包含商品D，所以该规则的置信度(可信度)为2/3。

频繁关联：关联，同时发生；频繁，次数很多，这里的次数多就需要我们认为规定阈值（后序称为支持度阈值或是置信度阈值）。那么就是项集同时发生的次数很多。
频繁项集：该项集的相（绝）对支持度满足最小支持度（计数）阈值。
注：由于频繁项集的子集也是频繁的，因此在存储所有频繁项集时个数太多，因此存储闭得频繁项集或者是极大频繁项集。

由挖掘频繁项集 到 根据频繁项集得到关联规则：

• 挖掘频繁项集
  具体步骤（伪代码）：
  
• 由频繁项集产生关联规则(频繁关联规则)：

1. 对于一个频繁项集l，导出所有非空真子集s,我们的关联规则就是s=>(l-s)，过程中的所有子集因为是从频繁来的，因此都满足强规则中的满足最小支持度。
2. 通过是否满足最小置信度来筛选关联规则。
   置信度＝支持度计数（s ∪ l-s) / 支持度计数(s)=p(l-s | s)
   
   注:这里的支持度由于我们是从频繁项集推出的关联规则，所以
   支持度= 支持度计数（s ∪ l-s) / 总事务数=p((s ∪ l-s))
   都满足最小支持度阈值

适用场景：无需个性化定制的场景；有销售记录的产品，向老客户推荐；套餐设计与产品摆放。

2.2应用CF到推荐

基于用户和基于物品的协同过滤算法都是常见的推荐系统技术，它们各自有优点和缺点，并适用于不同的推荐场景。

• 基于用户的协同过滤算法：
  优点：
  简单直观： 基于用户的协同过滤算法易于理解和实现，因为它主要根据用户的行为历史（如评分、喜好）来进行推荐。
  适用性广泛： 基于用户的协同过滤适用于用户数量较多、物品相对稳定的场景，例如电影、音乐等领域。
  个性化程度高： 该算法能够根据用户的个性化偏好进行推荐，从而提供更符合用户兴趣的推荐结果。
  缺点：
  稀疏性问题： 在用户-物品矩阵中，用户对物品的评分数据往往是稀疏的，这会导致难以找到足够相似的用户进行推荐。
  冷启动问题： 对于新用户，缺乏足够的行为数据，因此难以为其进行个性化推荐。
  计算复杂度高： 随着用户数量和物品数量的增加，基于用户的协同过滤算法的计算复杂度也会增加，导致效率低下。

适用场景： 基于用户的协同过滤算法适用于用户数量较多、用户行为数据相对丰富、物品相对稳定的推荐场景，例如电影、音乐、图书等。

• 基于物品的协同过滤算法：
  优点：
  抗稀疏性： 基于物品的协同过滤算法相对于基于用户的算法更加抗稀疏，因为物品之间的相似度更容易计算。
  适用于物品稳定的场景： 如果物品相对稳定，其属性和特征不会频繁变化，基于物品的算法能够提供稳定且高质量的推荐结果。
  计算复杂度相对较低： 相比于基于用户的算法，基于物品的算法的计算复杂度通常较低，因为物品间的相似度计算相对简单。
  缺点：
  不适用于新物品： 对于新加入系统的物品，基于物品的协同过滤算法可能无法立即为其提供准确的推荐结果，因为它需要一定数量的用户行为数据来计算物品间的相似度。
  不适用于动态物品： 如果物品属性和特征频繁变化，基于物品的算法可能无法及时适应变化，导致推荐结果不准确。

适用场景： 基于物品的协同过滤算法适用于物品相对稳定、用户行为数据较为稀疏的推荐场景，例如电商平台中的商品推荐。

参考文章

https://zhuanlan.zhihu.com/p/161340720
《数据挖掘:概念与技术(原书第3版)》