推荐系统简介二：推荐算法简介

推荐算法简介

• 基于人口统计学的推荐
• 基于内容的推荐
• 基于协同过滤的推荐
• 混合推荐

基于人口统计学的推荐算法

思想：获取用户特征，根据特征相似度进行推荐

基于内容的推荐

思想：获取物品特征，根据特征相似度进行推荐

基于协同过滤的推荐算法

协同过滤（Collaborative Filtering，CF），可分为基于近邻的协同过滤和基于模型的协同过滤。
其中基于近邻的协同过滤又可以分为基于用户（User-CF）的协同过滤和基于物品（Item-CF）的协同过滤；
其中基于模型的协同过滤又可以分为奇异值分解（SVD）和 潜语义分析（LSA）和支持向量机（SVM）等；

CF与CB的区别：
基于内容（Content based ,CB）主要利用的是用户评价过的物品的内容特征，而CF方法还可以利用其他用户评分过的物品内容；
CF可以解决CB的一些局限
1.物品内容不完全或者难以获得时，依然可以通过其他用户的反馈给出推荐
2.CF基于用户之间对物品的评价质量，避免了CB仅依赖内容可能造成对物品质量判断的干扰
3.CF推荐不受内容限制，只要其他类似用户给出了对不同物品的兴趣，CF就可以给用户推荐出内容差异很大的物品（但有某种内在联系）

基于用户的协同过滤

基于物品的协同过滤

混合推荐

• 实际网站的推荐系统往往都不是单纯只采用了某一种推荐的机制和策略，往往是将多个方法混合在一起，从而达到更好的推荐效果。比较流行的组合方法有：
• 加权混合：用线性公式（linear formula）将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果
• 切换混合：切换的混合方式，就是允许在不同的情况（数据量，系统运行状况，用户和物品的数目等）下，选择最为合适的推荐机制计算推荐
• 分区混合： 采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户
• 分层混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐