推荐系统（一）

目录

1、基于内容的推荐算法：

2、协同过滤算法（CF）：

3、基于知识的推荐算法

---

推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。

1、基于内容的推荐算法：

是什么：根据用户以往评价过或访问过的的物品属性对用户的兴趣建模，也可以说用户喜欢和自己关注过的Item在内容上类似的Item。

          比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果你看了一则关于MH370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些Item打标签。

2、协同过滤算法（CF）：

是什么：需要通过用户行为来计算出用户或者物品间的相关性，也可以理解为用户喜欢那些具有相似兴趣的用户喜欢过的商品。

        比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-based collaboratIve filtering），还有一种是基于Item的协同过滤算法（item-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-based Collaborative Filtering，另一种则是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。

方法大致可分为：

（1）.基于内存/基于近邻（memory-based）

• user-based 相似的用户对相同的物品有相似的评价

       可以理解为：以人为本，找到和你相似的人后推荐他们看了而你没有看的内容。

                          

         这是一个用户关注内容的列表，当然是非常简化之后的。

        显然在这个列表中，小张和小明关注的内容更为相似，那么就可以给小张推荐比特币。

 

• item-based 同一用户对相似物品评价是相同的

         以物为本建立各商品之间的相似度关系矩阵，“用户看了x也会看y”。

                           

           小张和小明都不约而同地看了产品经理和Google，这可以说明产品经理和Google有相似，那么之后有看了Google相关内          容的用户就可以给推荐产品经理的相关内容。

（2）.基于模型（model-based）

3、基于知识的推荐算法

是什么：用户先阐明兴趣，系统结合用户的兴趣和相关领域知识来做推荐--利用外部知识库和约束，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。

 

下表是推荐算法的大致分类：

参考：https://www.zhihu.com/question/65824790