推荐算法介绍:
1.个性化推荐
基于用户推荐:
根据用户的注册信息对用户进行分类,给用户推荐她所属分类中的用户喜欢的物品
基于内容推荐:
根据用户过去的浏览记录,向用户推荐用户没有接触过的推荐项。
协同过滤推荐:
协调过滤是推荐算法中目前最主流的种类,花样繁多,在工业界已经有了很多广泛的应用。它的优点是不需要太多特定领域的知识,可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现,可以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。
基于规则的推荐:
基于最多用户点击,最多用户浏览等,在目前的大数据时代并不主流。
基于人口信息的推荐:
简单的根据系统用户的基本信息发现用户的相关程度,然后进行推荐,目前在大型系统中已经较少使用。
协同过滤算法(Collaborative Filtering)是一种基于一组兴趣相同的用户或项目进行的推荐,它根据邻居用户(与目标用户兴趣相似的用户)的偏好信息产生对目标用户的推荐列表。协同过滤是在海量数据中挖掘出小部分与你品味类似的用户,在协同过滤中,这些用户成为邻居,然后根据他们喜欢的东西组织成一个排序的目录推荐给你(如下图所示)。