推荐系统相关技术

推荐算法是推荐系统的核心，但为了产生精确而且有效的推荐，越来越多的技术融合到推荐系统的研究中，然后提出各种不同的推荐算法。目前在推荐系统中应用的核心技术包括：

（1）信息检索技术（IR）

推荐系统根据用户需求，搜索产品类别数据库，然后返回用户需要的信息，其搜索过程可以实时进行，也可以定期执行，同时推荐系统提供的推荐界面既可以基于传统的关键字查询，也可以基于动态查询接口。

 

（2）信息过滤技术（IF）

信息过滤技术一般适合于用户需求相对不变，而信息动态更新比较频繁地情况。（比如：指阅，阅米，牛赞网）

信息过滤与信息检索的主要区别在于：

• 信息过滤面向用户长期的信息需求，而信息检索技术面向的是用户短期的、实时的信息查询。
• 信息过滤使用特征文件表示用户的信息需求特点，而信息检索技术是用关键词表达用户的查询需求。
• 信息过滤中用户需求相对不变，但用户访问的是动态数据流，是从动态数据流中选择数据；而信息检索技术访问的是相对静止的数据，但用户需求却具有瞬时性。

（3）数据挖掘技术（Data Mining）

数据挖掘中的知识可以分为以下几类：

• 分类：将数据划分为实现定义好的类别中去。
• 回归：将数据项映射到若干预定义好的变量上去。
• 聚类：将数据划分到几个聚类中去。
• 概括：为数据的一个子集给出一个简洁的描述。
• 依赖性模型：描述变量之间的相互依赖性。
• 链接分析：判断数据库或者数据仓库中字段之间存在的关系，比如：关联规则。
• 序列分析：构造顺序模型，发现数据之间在时间上的相关性。

数据挖掘常用的数据挖掘方法包括：

• 统计分析：利用统计学和概率论对关系中各个属性进行统计分析，找出它们之间存在的关联。
• 神经网络：模仿生物神经网络，通过训练进行学习的非线性预测模型，可以完成分类、聚类等多种任务。
• 决策树：用树形结果表示决策集合，决策集合通过对数据集分析产生典型的决策树方法。
• 遗传算法：运用基于生物进化的概念设计有了一系列过程来达到优化的目的，包括基因组合、分叉、变异和自然选择。
• 粗糙集：一种处理模糊和不确定性问题的数学工具，可以用于数据简化、关联规则挖掘。
• 模糊逻辑：可以用来进行证据合成、置信度计算。
• 最近邻技术：通过k个最相似的历史记录的组合来辨别新的记录，用来聚类分析、偏差分析。
• 规则归纳：通过统计方法归纳，提取有价值的if-else规则，可用于关联规则挖掘。
• 可视化：采取直观的图形方式将信息模型、数据关联或者趋势呈献给决策者。