推荐算法--召回

召回算法的基本逻辑流程

目的

尽可能多维度，相对准确的找到和用户可能相关的物品候选集。

这一阶段主要是关注与 user-item的相关性，以及物品本身的质量

基本召回路径

推荐算法本质上也是为了给用户找到合适的物品，
那么依据用户到物品的不同路径，可以分为以下几种 方法。

1. u2i：直接计算用户和物品的相似度
2. u2i2i：基于物品的协同过滤，先得到用户的行为列表，获取对物品的喜好，然后查i2i，推荐相似物品
3. u2u2i：基于用户的协同过滤，先计算用户的相似度：余弦相似度，Jaccard公式，再推荐其他用户喜欢的物品
4. u2label2i：用户与标签的相关性+标签与物品的相关性=>用户与物品的相关性
5. i2i：物品之间的相似度，目前可以通过物品的一些维度进行计算，以及用户的一些行为进行计算

算法

直接计算用户与物品的相关性

#### LFM模型隐语义模型
#### pLSA
#### LDA

物品与物品的相关性

#### 购物篮算法
#### 余弦相似度

用户与用户的相关性

用户与标签的相关性

不同于前面提到的基于用户行为的算法。
-- 基于行为来说通常会有以下几个缺点：
1.冷启动问题  or  时效性问题
2.缺乏抽象，知其然而不知其所以然。例如其他人都说好，所以就好的思维。
3.无法很好的挖掘长尾，长尾会因为用户没有行为参与而更加长尾

标签与物品的相关性