1. 基于内容的推荐
计算用户特征向量组与推荐单元特征向量组的相似性,一般采用于余弦相似性。
2. 基于协同过滤的推荐
基于“相似的人喜欢的东西也相同”原则
注:随着系统的使用,数据量的增多,用户相似性计算复杂度增高,
实时性差,因而可以引入产品相似性计算来代替用户相似性(因为产品相对稳定,可在线下进行)
3. 基于关联规则推荐
4. 基于效用推荐
对每个用户建立一个效用函数,给用户推荐效用分数最高的推荐单元
5. 基于知识推荐
一种推理技术,或者说是一种基于规则的技术
6. 组合推荐(进阶)
通过组合技术克服各自推荐技术的缺陷
a. 加权
b. 变换 根据条件选择相应的推荐技术
c. 混合 采用多种推荐技术给出多种推荐结果,让用户自己选
d. 特征组合 是一种数据源组合方法,即将不同数据源的特征组合
计算用户特征向量组与推荐单元特征向量组的相似性,一般采用于余弦相似性。
2. 基于协同过滤的推荐
基于“相似的人喜欢的东西也相同”原则
注:随着系统的使用,数据量的增多,用户相似性计算复杂度增高,
实时性差,因而可以引入产品相似性计算来代替用户相似性(因为产品相对稳定,可在线下进行)
3. 基于关联规则推荐
4. 基于效用推荐
对每个用户建立一个效用函数,给用户推荐效用分数最高的推荐单元
5. 基于知识推荐
一种推理技术,或者说是一种基于规则的技术
6. 组合推荐(进阶)
通过组合技术克服各自推荐技术的缺陷
a. 加权
b. 变换 根据条件选择相应的推荐技术
c. 混合 采用多种推荐技术给出多种推荐结果,让用户自己选
d. 特征组合 是一种数据源组合方法,即将不同数据源的特征组合
e. 层叠 双层推荐,即先用一种推荐技术得到一种粗糙的结果,然后在此基础上再用一种推荐技术得到精确的结果
f. 特征扩充 一种技术产生的特征附加到另一种技术的输入特征里
来源:推荐算法