推荐系统需要考虑的三部分

目录

通过对主题网络爬虫、多秒优化算法和个性化推荐算法的研究，设计一种个性化营养菜谱推荐方法，并初步实现相应的系统。

主题网络爬虫

搜索引擎中很关键的一个构成是网络爬虫，它便利整个互联网并存储所有爬取过的网页，为搜索引擎提供数据来源。这种爬虫往往针对一个主题目标进行爬取，被称为主题网络爬虫或者聚焦网络爬虫（focused web crawler）。

网络爬出的主要研究方向分三个：主题爬虫、智能爬虫和高性能爬虫。
智能网络爬虫主要针对动态网页设计的，可以检测网站系统的注册登录需求，然后模拟登录。
高性能网络爬虫主要是设计分布式爬虫，用来爬取海量数据。
主题网络爬虫主要用来爬取一些与主题或领域相关的网页。传统的通用网络爬虫因为对所有的网页一视同仁，并不能针对性地获取一些相关数据。主题网络爬虫可以根据用户提前指定的爬虫策略，将目标锁定在与某一主题内容相关的网页上，有选择、有主次地爬取互联网上的相关网页。现有主题网络爬虫使用的爬行策略主要有：
基于网页内容的爬行策略（crawling strategy based on web content），
基于链接拓扑结构的爬行策略(crawling strategy based on link topology)，
用户访问行为的爬行策略(crawling strategy based user access behavior)

多目标优化算法

智能优化算法通过模拟一些自然界现象或规律，建立一种具有自学习和自适应特征的最优值搜索算法。这些算法通常模拟自然规律，逐次改变一个或多个决策变量，使优化目标函数能在相对较短的时间内达到最大值或最小值，从而为复杂问题找到相对的最优解。
主要有：
进化算法（evolutionary algorithm）
粒子群算法（particle swarm optimization algorithm）

个性化推荐算法

个性化推荐算法主要分为三大类：
基于协同过滤的推荐(collaborative filtering)
基于内容的推荐(content-based filtering)
社会化推荐（social recommendation）
这三类算法中，一般基于内容的推荐需要进行大量的人工标注，而社会化推荐需要的社会关系很难获取，相对来说，基于协同过滤的推荐算法对学习数据要求较低，应用范围最为广泛

基于协同过滤的推荐算法需要输入用户的历史行为记录，计算预测用户对项目的兴趣度，最后输出用户没看过且兴趣度最大的N个项目作为推荐结果。
基于协同过滤的算法分为：

1. 基于内存的方法（memory-based），分为基于领域的方法（neighborhood-based）和基于图的方法（grphs-based）
2. 基于模型的方法,包括隐语义模型（latent factor model）和关联规则（association rule）
3. 混合推荐算法