新闻推荐算法

 1 基于内容的推荐算法

   基于内容的推荐算法考虑用户历史交互过的物品的内容特征，计算物品与物品在内容上的类似程度，将与用户交互过的物品在内容特征上更类似的物品推送给用户。基于内容的推荐算法包含物品内容特征的提取，用户内容特征的构建，特征相似度的计算等过程。

   基于内容的推荐算法由于只考虑了新闻内容之间的相似度，没有考虑推荐系统内其他用户的浏览记录，所以会带来一些问题。比如：冷启动问题、数据稀疏性问题等。在可以获得的内容特征较少的时候，基于内容的推荐算法会受到比较大的影响；由于只会将与用户喜欢过的新闻在内容上高度相似的新闻，所以会带来推荐结果的新颖程度不够的问题。

 2 协同过滤推荐算法

       协同过滤推荐算法分为基于用户的协同过滤算法和基于物品的协同过滤算法。

        基于用户的协同过滤算法给目标用户做推荐时，将与目标用户相似的用户喜欢的物品推荐给他。比如：新闻推荐系统后台会根据你关注的用户给你推荐他喜欢的物品。

        基于物品的协同过滤算法主要思想为给用户推荐与其喜欢的物品在交互记录上相似的物品，与基于用户的协同过滤不同的地方在于主要考虑物品和物品之间在交互记录上的相似度。比如：新闻推荐系统后台会根据你喜欢的物品给你推荐你可能喜欢的物品。

 3 混合推荐算法

         由于单一的推荐算法往往有着各自的优点和缺陷，无法满足复杂的场景需求，于是混合推荐算法 被提出，综合利用协同过滤推荐算法和基于内容的推荐算法各自的优点同时抵消各自的缺点。

 4 基于知识图谱的推荐算法

        基基于知识图谱的推荐算法是把知识图谱作为辅助信息整合到推荐系统中，为了提高推荐系统的准确性和为推荐系统提供可解释性。

       将知识图谱特征学习应用到推荐系统中主要通过三种方式：依次学习、联合学习、交替学习。

        依次学习：首先使用知识图谱特征学习得到实体向量和关系向量，然后将这些低维向量引入推荐系统，学习得到用户向量和物品向量；比如：MKR模型。

       联合学习：将知识图谱特征学习和推荐算法的目标函数结合，使用端到端（end-to-end）的方法进行联合学习；比如：Ripple模型。

        交替学习：将知识图谱特征学习和推荐算法视为两个分离但又相关的任务，使用多任务学习（multi-task learning）的框架进行交替学习。比如：MKR模型。