开心妙妙屋

作者 百占辉 发布于 2015年12月23日 【编者按】推荐系统在各种系统中广泛使用，推荐算法则是其中最核心的技术点，InfoQ接下来将会策划系列文章来为读者深入介绍。推荐算法综述分文五个部分，本文作为第一篇，将会简要介绍推荐系统算法的主要种类。其中包括算法的简要描述、典型的输入、不同的细分类型以及其优点和缺点。在第二和第三篇中，我们将会详细介绍这些算法的区别，让你能够深入理解他们

【编者按】推荐系统在各种系统中广泛使用，推荐算法则是其中最核心的技术点，InfoQ接下来将会策划系列文章来为读者深入介绍。推荐算法综述分文五个部分，本文作为第一篇，将会简要介绍推荐系统算法的主要种类。其中包括算法的简要描述、典型的输入、不同的细分类型以及其优点和缺点。在第二和第三篇中，我们将会详细介绍这些算法的区别，让你能够深入理解他们的工作原理。注：本文翻译自Building Recom

【编者的话】近年来社交媒体已经越来越流行，可以从中获得大量丰富多彩的信息的同时，也给我们带来了严重的“信息过载”问题。推荐系统作为缓解信息过载的最有效方法之一，在社交媒体中的作用日趋重要。区别于传统的推荐方法，社交媒体中包含大量的用户产生内容，因此在社交媒体中，通过结合传统的个性化的推荐方法，集成各类新的数据、元数据和清晰的用户关系，产生了各种新的推荐技术。本文总结了推荐系统中的几个关键研究领域，

【编者的话】近年来社交媒体已经越来越流行，可以从中获得大量丰富多彩的信息的同时，也给我们带来了严重的“信息过载”问题。推荐系统作为缓解信息过载的最有效方法之一，在社交媒体中的作用日趋重要。区别于传统的推荐方法，社交媒体中包含大量的用户产生内容，因此在社交媒体中，通过结合传统的个性化的推荐方法，集成各类新的数据、元数据和清晰的用户关系，产生了各种新的推荐技术。本文总结了推荐系统中的几个关键研究领域，

【编者的话】近年来社交媒体已经越来越流行，可以从中获得大量丰富多彩的信息的同时，也给我们带来了严重的“信息过载”问题。推荐系统作为缓解信息过载的最有效方法之一，在社交媒体中的作用日趋重要。区别于传统的推荐方法，社交媒体中包含大量的用户产生内容，因此在社交媒体中，通过结合传统的个性化的推荐方法，集成各类新的数据、元数据和清晰的用户关系，产生了各种新的推荐技术。本文总结了推荐系统中的几个关键研究领域，

本文将要讨论基于矩阵分解的推荐算法，这一类型的算法通常会有很高的预测精度，也活跃于各大推荐系统竞赛上面，前段时间的百度电影推荐最终结果的前10名貌似都是把矩阵分解作为一个单模型，最后各种ensemble，不知道正在进行的阿里推荐比赛( http://102.alibaba.com/competition/addDiscovery/index.htm)，会不会惊喜出现。。。。好了，闲话不扯了，本文打

Recommender Systems Handbook 第一版（2008年）是推荐系统方向入门的经典。7年后，第二版（2015年）终于诞生了，加入了这几年推荐系统领域的最新技术，又是state-of-the-art了吧，开始读书加笔记整理。。。一、概述：    协同过滤方法大致可以分成两类：基于近邻(neighborhood-based）的算法和基于模型(model-base

一、概述：矩阵分解模型是把用户偏好和item属性投影到同一个隐因子空间（latent factor space），以用户偏好和item属性的匹配程度来预测评分。通常推荐系统可以用于模型训练的信息主要有用户的显式反馈、隐式反馈和时间信息等。显式反馈（explicit feedback）：用户直接表明对item的兴趣，例如评分[1,2,3,4,5]. 隐式反馈（implicit fee

一、概述：基于近邻的推荐算法在推荐系统中占有重要的地位，是学术界的一个重点研究方向，在产业界也得到了广泛的应用。基于近邻的推荐算法大致可以分为user-based和item-based两类，关于近邻推荐算法的基础性介绍，请参见博文： “推荐系统笔记一、基于近邻的推荐系统（基础篇）”。由于user-based方法和item-based方法的相似性，本文主要讨论item-based方法上的