推荐算法的分类和优势

推荐算法的简述：
推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，目前应用推荐算法比较好的地方主要是网络，其中淘宝做的比较好。所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。
推荐算法的分类：

• 基于内容算法的优势
  对用户兴趣可以很好地建模，并通过对物品属性维度的增加，获得更好的推荐精度。而不足之处就在于：①物品的属性有限，很难有效得到更多数据；②物品相似度的衡量标准只考虑到了物品本身，有一定的片面性；⑨需要用户的物品的历史数据，有冷启动的问题。
  -基于协同
  基于协同过滤的推荐算法最大优点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。
• 基于关联规则
  -能发现新兴趣点；不要领域知识
• 基于效用
  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
• 基于知识
  能把用户需求映射到产品上；能考虑非产品属性
• 组合推荐：
  在组合方式上，有研究人员提出了七种组合思路。
  1)加权（Weight）：加权多种推荐技术结果。
  2)变换( Switch);根据问题背景和实际情况或要求决定变换采用不同的推荐技术。
  3)混合( Mixed):同时采用多种推荐技术给出多种推荐结果，为用户提供参考。
  4)特征组合(Feature Combination):组合来自不同推荐数据源的特征被另一种推荐算法所采用。
  5)层叠( Cascade)：先用一种推荐技术产生一种粗糙的推荐结果，第二种推荐技术在此推荐结果的基础上进一步做出更精确的推荐。
  6)特征扩充( Feature Augmentation)：将一种技术产生附加的特征信息嵌入另一种推荐技术的特征输入中。
  7)元级别( Meta-Ievel):用一种推荐方法产生的模型作为另一种推荐方法的输入。

推荐算法应用
推荐算法已经应用到了各个领域的网站中，包括图书、音乐、视频、新闻、电影、地图等等。而电子商务的应用近年来逐渐普及，Amazoncom，ebay.com，Staples.com，当当网，豆瓣图书，淘宝网等都使用了电子商务推荐系统，推荐系统不止给这些互联网商家带来了巨大的附加利益，同时也提高了用户满意度，增加了用户黏性。