31. 推荐系统

31.2. 一、基于用户的相似度推荐

有两个方法实现。

31.2.1. 1. 基于用户的协同过滤推荐(CF)

在用户的历史偏好的数据上计算用户的相似度,基本假设是,喜欢类似物品的用户可能有相同或者相似的口味和偏好。

31.2.2. 2. 基于人口统计学的推荐

假设,基本信息相似的用户有相似的口味。

31.3. 二、基于物品相似度预测推荐

有两种相似度计算方法。

31.3.1. 1. 基于项目的协同过滤推荐(CF)

场景:amazon的捆绑销售 (Frequently Bought Together): 采用数据挖掘技术对用户的购买行为进行分析,找到经常被一起或同一个人购买的物品集,进行捆绑销售,这是一种典型的基于项目的协同过滤推荐机制。

31.3.2. 2. 基于内容的推荐

_images/rec-sys1.jpg

场景:amazon的新产品的推荐 (New For You): 采用了基于内容的推荐机制 (Content-based Recommendation),将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息,所以基于内容的推荐能很好的解决这个“冷启动”的问题。

31.4. 三、基于模型的协同过滤推荐

它有以下几个显著的优点:

  1. 它不需要对物品或者用户进行严格的建模,而且不要求物品的描述是机器可理解的,所以这种方法也是领域无关的。
  2. 这种方法计算出来的推荐是开放的,可以共用他人的经验,很好的支持用户发现潜在的兴趣偏好