四种简单推荐算法背后的原理
1. 基于人口统计的推荐
根据用户基本信息、用户收入、居住地区、学历、职业等各种因素进行分类,将商品推荐给同类用户。
比如:用户甲和用户乙的年龄相近、性别相同,可将他们划分为同类。用户甲喜欢商品A,推测用户乙也可能喜欢,系统就将商品A推荐给用户乙。
2. 基于商品属性的推荐
根据商品属性分类,然后根据商品分类进行推荐。
比如:电影A和电影B都是科幻、战争类型的,若用户甲喜欢电影A,推测他也可能喜欢电影B,系统就将电影B推荐给他。
3. 基于用户的协同过滤推荐
根据用户的喜好对用户进行分类,然后根据用户分类进行推荐。
比如:用户甲和用户乙都喜欢商品A和商品B,根据他们的喜好可分为同类。用户甲还喜欢商品C,那用户乙也可能喜欢商品C,系统就将商品C推荐给用户乙。
4. 基于商品的协同过滤推荐
根据用户的喜好对商品进行分类,然后根据商品分类进行推荐。
比如:喜欢商品A的用户甲和用户乙都喜欢商品B,那商品A和商品B就可以分为同类。对于同样喜欢商品A的用户丙,很有可能喜欢商品B,系统就将商品B推荐给用户丙。
小结
- 要做好推荐非常难,用户不要你觉得他喜欢,而要自己喜欢
- 推荐算法的优化需要不断地收集用户的反馈,不断的迭代算法和升级数据