推荐算法比较

推荐算法

什么样的产品适合推荐

1. 多样性(物品足够多,用户无法一一查看)

2. 口味重要(用户口味各异,物品长尾显著,靠热门排行榜推荐无法解决)

3. 纯粹性(单一物品相关属性不太复杂,利于精准推荐)

4. 大众产品(用户多,规模化,利于推荐)

5. 时效性较低(时效性过高则产品更新快,如新闻推荐,推荐数据需要不断更新)

6. 容易反馈(推荐引擎需要根据用户反馈结果不断学习和改进)

7. 条目增长比较稳定(条目增长过快,则新增数据量过大,调整压力增大)

 

算法比较

1. 基于内容的推荐: 用用户过去的浏览记录来推荐用户没有接触过的项。

2. 协同过滤:利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯。主要有两种:一种是item-based的,就是计算item与item之间的关系,通过用户购买A后可能会购买与A相关的B、C、D;还有一种是user-based,计算用户之间的关系,用户A买的东西可能跟它相似的用户B也会买。

3. 基于规则推荐:比如关联规则,挖掘频繁项集

4. 基于效用推荐:是建立在对用户使用项目的效用情况上计算的,其核心问题是怎么样为每一个用户去创建一个效用函数,因此,用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性,如提供商的可靠性(Vendor Reliability)和产品的可得性(Product Availability)等考虑到效用计算中。

 

推荐方法

优点

缺点

基于内容推荐

推荐结果直观,容易解释

不需要领域知识

稀疏问题;新用户问题;

复杂属性不好处理;

要有足够数据构造分类器

协同过滤推荐

新异兴趣发现、不需要领域知识;

随着时间推移性能提高;

推荐个性化、自动化程度高;

能处理复杂的非结构化对象

稀疏问题;

可扩展性问题;

新用户问题;

质量取决于历史数据集;

系统开始时推荐质量差;

基于规则推荐

能发现新兴趣点;

不要领域知识

规则抽取难、耗时;

产品名同义性问题;

个性化程度低;

基于效用推荐

无冷开始和稀疏问题;

对用户偏好变化敏感;

能考虑非产品特性

用户必须输入效用函数;

推荐是静态的,灵活性差;

属性重叠问题;

基于知识推荐

能把用户需求映射到产品上;

能考虑非产品属性

知识难获得;

推荐是静态的

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值