推荐系统框架及概述

推荐系统算法有哪些

推荐系统框架及概述_第1张图片
一、基于内容:
基于商品的本身内容相似度进行推荐,用户喜欢内容1,推荐与内容1 相似的内容。
静态的推荐,需要对物品具体内容进行打标签,适合解决冷启动问题,(新系统,新用户,新商品)

二、协同过滤:
基于用户的行为进行推荐。通过与用户相似用户喜欢的内容给用户进行推荐。(群体的智慧)
动态的推荐,不需要对商品具体内容打标签,适合用户的个性化推荐。

  1. 基于邻域的推荐方式:
    基于相似个体的推荐方式(邻域:越接近相似度越高)
    (1). ItemCF:
    推荐原理:基于商品间的相似度进行推荐,两个物品喜欢的人相同的越多,商品1 与商品2 越接近,通过用户行为进行相似度计算。
    推荐方式:并为用户推荐与已购买商品相似的商品
    (2). UserCF:
    推荐原理:基于用户间行为相似度进行推荐,两个人共同喜欢的商品越多,两人的相似度越高。
    推荐方式:为用户推荐相似用户购买的商品。

  2. 基于模型的协同过滤:
    采用机器学习的方式,分成训练集和测试集。离线训练时间比较长,但训练完成后,推荐过程比较快。
    (1). 隐语义模型(LFM, Latent Factor Model):
    用户与物品之间存在着隐含的联系,通过隐含特征(Latent Factor)联系用户兴趣和物品,基于用户行为的自动聚类,我们可以指定隐特征的个数,粒度可粗(隐特征少),可细(隐特征多),计算物品属于每个隐特征的权重,物品有多个隐特征的权重。但可解释性差,隐含特征计算机能理解就好,相比之下ItemCF可解释性强。
    隐语义的两个实现推荐方式:
    1> .矩阵分解(MF): 基于稀疏矩阵的矩阵分解,得到用户对所有商品的得分,以此推荐TOP-N商品。
    2> .LDA, LSA, pLSA:主题模型
    (2). 基于贝叶斯网络
    (3). 基于SVM

基于模型与基于邻域的推荐之间的区别:

一、基于邻域的协同过滤包括UserCF, ItemCF,将用户的所有数据读入到内存中进行运算,也称之为基于内存的协同过滤(Memory-based)。数据量少的情况下,可以在线实时推荐。

二、基于模型的推荐(Model-based),采用机器学习的方式,分成训练集和测试集。离线训练时间比较长,但训练完成后,推荐过程比较快。

推荐系统的两大应用场景

一、评分预测(Rating Prediction)

主要用于评价网站,比如用户给自己看过的电影评多少分(MovieLens),或者用户给自己看过的书籍评价多少分(Douban)。矩阵分解技术主要应用于评分预测问题。

二、Top-N推荐(Item Ranking)

常用于购物网站,拿不到显式评分,通过用户的隐式反馈为用户提供一个可能感兴趣的Item列表。排序任务,需要排序模型进行建模。

你可能感兴趣的:(推荐系统,推荐系统)