#论文阅读#Amazon.com Recommendations: Item-to-item collaborative filtering

其实就是基本的item cf 的算法，和教材中讲的差不多，算法实现没有什么好赘述的，只是记录下在引言中看到的原来不知道的部分。

 

首先是电商推荐面临的一些挑战，说的都是比较普遍的，但是其实针对不同的业务有不同的挑战：

• 数据量大：A large retailer might have huge amounts of data, tens of millions of customers and millions of distinct catalog items.

• 实时性的要求：Many applications require the results set to be returned in realtime, in no more than half a second, while still producing high-quality rec- ommendations.

• 用户的冷启动问题：New customers typically have extremely limit- ed information, based on only a few purchases or product ratings.

• 活跃用户的推送问题（感觉就是可推荐的太多了，是一个排序的问题）Older customers can have a glut of information, based on thousands of purchases and ratings.

• 用户的行为变化无常：Customer data is volatile: Each interaction pro- vides valuable customer data, and the algorithm must respond immediately to new information.

 

再次是传统的推荐算法：

• user-cf：就是一个用户来了，找出与他相似的用户，然后将这些用户购买的top n 作为推荐（虽说是做个排序，但是感觉我这样说也没有问题）。优点是推荐的比较准确，缺点是不怎么能离线计算（对这个我比较好奇），所以在实际的intime场景不太好应用。
• cluster models：就是通过聚类算法，找到一个用户属于哪一个簇，然后根据簇里面的用户的联合购买top 进行推荐。优点是效率相对高些，缺点是推荐不准确
• search-based models: 就是比如买了林宥嘉的CD，他就找出关键字 林宥嘉或者CD，推荐你林宥嘉的其他周边，或者其他CD。优点是速度快，可以实时。缺点就是，要不推荐的比较general（比如推荐cd），要不就是推荐的比较narrow（比如林宥嘉）
• iterm-cf：优点就是可以离线计算，线上直接加载直接用。

关于这篇论文阅读写的比较好的blog：

https://blog.csdn.net/qq_24831889/article/details/86147968