原文地址:https://www.jianshu.com/p/939256b100af
推荐系统需要的三类数据源:物品,用户,事务
物品:关注物品集的属性和特征
用户:关注用户基本属性,年龄,性别等
事务:用户的行为记录,分为显示行为和隐式行为
推荐系统的分类
- 基于内容 (content-based)
为用户推荐与过去兴趣相似的物品,物品的相似性是基于被比较物品的特征来计算的
- 协同过滤(CF:collaborative filtering)
找到与用户相似的品味的用户,将相似用户过去喜欢的物品推荐给用户
- 基于人口统计(demographic)
基于人口统计信息,不同的人群对用不同的推荐
- 基于知识(knowledge-based)
根据特定领域的知识进行推荐,所谓知识就是关于确定物品哪些特征能满足用户需要和偏好
- 基于社区
根据用户“近邻”的偏好进行推荐,也叫社会化推荐系统,利用用户社会关系和“近邻”的偏好推荐,结果基于用户“近邻”的评分等
- 混合推荐系统
不同推荐方法组合,例如协同过滤的冷启动问题可以用基于内容的推荐弥补
推荐系统的评价标准
覆盖率
冷启动
信心度
可信度
新颖度
风险度
惊喜度
推荐解释
如何让推荐系统可信任,可解释,有说服力
1. 透明度:说明系统如何工作
2. 可反馈性:允许用户报错
3. 信任:增加用户对系统信心
4. 有效性:帮助用户做好的决定
5. 说服力:说服用户购买或尝试
6. 高效性:帮用户快速抉择
7. 满意度:增加用户体验舒适性和趣味