推荐系统常见算法分类

该系列历史文章：

• 1.推荐系统最通俗介绍

---

---

资料整理，来源于北大刘宏志教授讲座内容。

1.基本分类

常见的推荐系统算法分类如下：

• 算法思想
  • 基于人口统计学、基于内容、协同过滤、基于知识、混合推荐
• 应用问题
  • 评分预测 vs. Top-N推荐
• 目标函数
  • 点级排序学习 vs. 对级排序学习 vs. 列表级排序学习
• 用户参与
  • 单边推荐 vs. 双边匹配
• 数据表示
  • 矩阵表示 vs. 特征向量 vs. 图模型

目前，业界最多提及的是基于算法思想的分类，所以接下来介绍中，主要基于算法思想分类展开。

2.基于算法思想的分类

a) 基于人口统计学（用户）的推荐

• 根据用户基本信息推荐相似用户喜爱的项目。

b) 基于内容的推荐

• 根据用户过去喜好的项目推荐相似的项目。

c) 基于协同过滤的推荐

• 根据用户行为信息推荐相似用户喜爱的项目。

d) 基于知识的推荐

• 根据用户的显式需求和专业领域知识进行推荐。

各种推荐方法对比：

3.基于应用问题的分类

1） 评分预测

• 目标:
  • 根据用户历史评分和其他相关数据,预测用户对候选项目评分值
• 评价指标:
  • 预测评分和真实评分之间的偏差,
  • 例如:均方根误差RMSE

2）Top-N推荐

• 目标:
  • 根据用户历史行为(如:点击)和其他相关数据,预测用户对候选项目的感兴趣程度,并据此对项目排序以给出排在最前N个的项目列表
• 评价指标:
  分类准确度和排序合理性,例如:精确度、召回率、AUC、nDCG等

---

其他的算法分类并不多见，所以在此不做介绍。