基于人口统计学的推荐算法

基于人口统计学的推荐算法

一、算法原理

  定义：算法会根据用户的属性发现用户间的相关程度（也称相似度），然后将相似用户喜爱的内容推荐给当前用户。基于人口统计学的推荐算法是推荐算法中相对比较简单的推荐方法。
  用户画像：通过收集与分析用户的社会属性、生活习惯等主要信息的数据之后，将用户的信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
  作为大数据的根基，它完美地抽象出一个用户的信息全貌，为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息，提供了足够的数据基础。

二、实现过程

  过程：系统首先会根据用户的属性建模，如用户的年龄，性别，兴趣、职业等。根据这些特征计算用户间的相似度。比如系统通过计算发现用户A和C比较相似。就会把A喜欢的物品推荐给C。

三、算法优缺点

优势：
  1.不需要历史数据，没有用户冷启动问题。
  2.不依赖于物品的属性，其他领域的问题都可无缝接入。
不足：
  1.存在项目冷启动问题，新项目未与用户有数据交互历史，无法被推荐给与用户相关性较高的目标用户。
  2.推荐效果一般，个性化程度低。
  3.用户的基本信息很难获取，并且获取到的基本信息用来对用户分类也很难做到准确，会影响推荐效果。

四、常用

  常用于推荐系统的用户冷启动，在用户偏好情况并没有足够历史数据支撑的条件下，可以通过用户的一些人口统计学方面的信息实现基本的推荐功能。