用户行为数据

基于用户行为分析的推荐算法是个性化推荐系统的重要算法，学术界一般将这种类型的算法称为协同过滤算法。顾名思义，协同过滤就是指用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。

 

一、 用户行为数据简介

　　用户行为在个性化推荐系统中一般分两种——显性反馈行为和隐性反馈行为。显性反馈行为包括用户明确表示对物品喜好的行为，主要方式为评分和喜欢/不喜欢。隐性反馈行为指的是那些不能明确反应用户喜好的行为。最具代表性的隐性反馈行为就是页面浏览行为。

 

二、基于领域的算法

　　基于邻域的算法是推荐系统中最基本的算法，基于邻域的算法分为两大类，一类是基于用户的协同过滤算法，另一类是基于物品的协同过滤算法。

　　1. 基于用户的协同过滤算法

　　在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。

　　基于用户的协同过滤算法主要包括两个步骤。

　　(1) 找到和目标用户兴趣相似的用户集合。

　　(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

　　计算相似度非常消耗时间，大部分用户之间的相似度都是0.

　　

　　2. 基于物品的协同过滤算法

　　基于用户的协同过滤算法在一些网站中得到了应用，但该算法有一些缺点。首先，随着网站的用户数目越来越大，计算用户兴趣相似度矩阵将越来越困难，其运算时间复杂度和空间复杂度的增长和用户数的增长近似于平方关系。其次，基于用户的协同过滤很难对推荐结果作出解释。因此，著名的电子商务公司亚马逊提出了另一个算法——基于物品的协同过滤算法。

　　基于物品的协同过滤算法给用户推荐那些和他们之前喜欢的物品相似的物品。

　　基于物品的协同过滤算法主要分为两步。
　　(1) 计算物品之间的相似度。
　　(2) 根据物品的相似度和用户的历史行为给用户生成推荐列表。

 

　　3. 隐语义模型

　　隐语义模型的核心思想是通过隐含特征联系用户兴趣和物品。隐含语义分析技术采用基于用户行为统计的自动聚类。

 

 

 

 

 

　　

转载于:https://www.cnblogs.com/leeyuxin/p/10571456.html