推荐系统与联邦学习

基于流行度的推荐算法

基于流行度的算法非常简单粗暴，类似于各大新闻、微博热榜等，根据PV、UV、日均PV或分享率等数据来按某种热度排序来推荐给用户。

注：独立访客（UV）、访问次数（VV）两个指标有什么区别？

① 访问次数（VV）：记录1天内所有访客访问了该网站多少次，相同的访客有可能多次访问该网站，且访问的次数累加。

② 独立访客（UV）：记录1天内所有访客访问了该网站多少次，虽然相同访客能多次访问网站，但只计算为1个独立访客。

③ PV访问量（Page View）：即页面访问量，每打开一次页面或者刷新一次页面，PV值+1。

1. 优点：该算法简单，适用于刚注册的新用户

2. 缺点：无法针对用户提供个性化的推荐

3. 改进：基于该算法可做一些优化，例如加入用户分群的流行度进行排序，通过把热榜上的体育内容优先推荐给体育迷，把政要热文推给热爱谈论政治的用户。

汤普森采样

基于协同过滤的推荐算法（UserCF与ItemCF）

基于内容的推荐算法

基于模型的推荐算法

基于混合式的推荐算法

本文对于推荐系统算法的分类来自：https://blog.csdn.net/Vensmallzeng/article/details/101343117