推荐算法概述
常见推荐算法
1)基于内容的推荐:一般依赖于自然语言处理的一些知识,通过挖掘文本的TF-IDF特征向量,来得到用户的偏好,进而做推荐。这类算法可以找到用户独特的喜好,而且还有较好的解释性。
2)协同过滤推荐:协同过滤是推荐算法中目前最主流的种类,在工业界已经有了很多广泛的应用。优点是不需要太多特定领域的知识,可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现,可以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。
3)混合推荐:类似机器学习中的集成学习,通过多个推荐算法的结合,得到一个更好的推荐算法,比如通过建立多个推荐算法的模型,最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐算法差,但是使用混合推荐,算法复杂度会大大提高,在实际应用中有使用。但是并没有单一的协同过滤推荐算法,比如逻辑回归之类的二分类推荐算法广泛。
4)基于规则的推荐:这类算法的应用用于用户浏览点击行为的分析,例如推荐新闻或广告,在目前的大数据时代并不主流。