1.简介
个性化推荐是解决信息超载问题最有效的工具之一。本文对经典的个性化推荐算法做了简单的介绍,并且讨论了这些算法的优缺点。本文主要介绍了:协同过滤系统;基于内容的推荐系统;混合推荐系统以及基于用户——产品二部图网络结构的推荐系统。
2.推荐系统简介
一个完整的推荐系统由 3 个部分组成:收集用户信息的行为记录模块, 分析用户喜好的模型分析模块和推荐算法模块。行为记录模块负责记录用户的喜好行为,例如问答、评分、购买、下载、浏览等,问答和打分的信息相对好收集,然而有的用户不愿意向系统提供这些信息, 那么就需要通过其他方式对用户的行为进行分析,例如购买、下载、浏览等行为;通过这些用户的行为记录分析用户的潜在喜好产品和喜欢程度,这就是模型分析模块要完成的工作;模型分析模块的功能能够对用户的行为记录进行分析,建立合适的模型来描述用户的喜好信息。最后是推荐算法模块, 利用后台的推荐算法,实时地从产品集合中筛选出用户感兴趣的产品进行推荐。其中,推荐算法模块是推荐系统中最为核心的部分.。
3.协同过滤系统
协同过滤系统是第一代被提出并得到广泛应用的推荐系统。其核心思想可以分为两部分:首先,是利用用户的历史信息计算用户之间的相似性;然后,利用与目标用户相似性较高的邻居对其他产品的评价来预测目标用户对特定产品的喜好程度。系统根据这一喜好程度来对目标用户进行推荐。
协同过滤推荐系统的算法可以分为两类:基于记忆的和基于模型的算法 。其中,基于记忆的算法根据系统中所有被打过分的产品信息进行预测。基于模型的算法是收集打分数据进行学习并推断用户行为模型,进而对某个产品进行预测打分;基于模型的协同过滤算法和基于记忆的算法的不同在于, 基于模型的方法不是基于一些启