推荐算法比较

推荐算法

什么样的产品适合推荐 

1.   多样性（物品足够多，用户无法一一查看）

2.   口味重要（用户口味各异，物品长尾显著，靠热门排行榜推荐无法解决）

3.   纯粹性（单一物品相关属性不太复杂，利于精准推荐）

4.   大众产品（用户多，规模化，利于推荐）

5.   时效性较低（时效性过高则产品更新快，如新闻推荐，推荐数据需要不断更新）

6.   容易反馈（推荐引擎需要根据用户反馈结果不断学习和改进）

7.   条目增长比较稳定（条目增长过快，则新增数据量过大，调整压力增大）

 

 

算法比较

1.  基于内容的推荐： 用用户过去的浏览记录来推荐用户没有接触过的项。

2.  协同过滤：利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯。主要有两种：一种是item-based的，就是计算item与item之间的关系,通过用户购买A后可能会购买与A相关的B、C、D；还有一种是user-based，计算用户之间的关系，用户A买的东西可能跟它相似的用户B也会买。

3.  基于规则推荐：比如关联规则，挖掘频繁项集

4.  基于效用推荐：是建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，因此，用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性，如提供商的可靠性(Vendor Reliability）和产品的可得性（Product Availability）等考虑到效用计算中。

推荐方法	优点	缺点
基于内容推荐	推荐结果直观，容易解释 不需要领域知识	稀疏问题；新用户问题； 复杂属性不好处理； 要有足够数据构造分类器
协同过滤推荐	新异兴趣发现、不需要领域知识； 随着时间推移性能提高； 推荐个性化、自动化程度高； 能处理复杂的非结构化对象	稀疏问题； 可扩展性问题； 新用户问题； 质量取决于历史数据集； 系统开始时推荐质量差；
基于规则推荐	能发现新兴趣点； 不要领域知识	规则抽取难、耗时； 产品名同义性问题； 个性化程度低；
基于效用推荐	无冷开始和稀疏问题； 对用户偏好变化敏感； 能考虑非产品特性	用户必须输入效用函数； 推荐是静态的，灵活性差； 属性重叠问题；
基于知识推荐	能把用户需求映射到产品上； 能考虑非产品属性	知识难获得； 推荐是静态的