推荐算法
来源:互联网 发布:网络直播间策划方案 编辑:程序博客网 时间:2024/05/22 03:35
Point 1:推荐算法的应用领域
电子商务网站是个性化推荐系统重要地应用的领域之一,亚马逊就是个性化推荐系统的积极应用者和推广者,亚马逊的推荐系统深入到网站的各类商品,为亚马逊带来了至少30%的销售额。
不光是电商类,推荐系统无处不在。QQ,人人网的好友推荐;新浪微博的你可能感觉兴趣的人;优酷,土豆的电影推荐;豆瓣的图书推荐;大从点评的餐饮推荐;世纪佳缘的相亲推荐;天际网的职业推荐等。
Point 2:推荐算法的分类
按数据使用划分:
· 协同过滤算法:UserCF, ItemCF, ModelCF
· 基于内容的推荐: 用户内容属性和物品内容属性
· 社会化过滤:基于用户的社会网络关系
基于用户的协同过滤算法UserCF
基于用户的协同过滤,通过不同用户对物品的评分来评测用户之间的相似性,基于用户之间的相似性做出推荐。简单来讲就是:给用户推荐和他兴趣相似的其他用户喜欢的物品。
用例说明:
基于物品的协同过滤算法ItemCF
基于item的协同过滤,通过用户对不同item的评分来评测item之间的相似性,基于item之间的相似性做出推荐。简单来讲就是:给用户推荐和他之前喜欢的物品相似的物品。
用例说明:
注:基于物品的协同过滤算法,是目前商用最广泛的推荐算法。
Point 3:推荐算法的优缺点对比
性能:
UserCF:
适用于用户较少的场合,如果用户过多,计算用户相似度矩阵的代价交大
ItemCF:
适用于物品数明显小于用户数的场合,如果物品很多,计算物品相似度矩阵的代价交大
领域:
UserCF:
实效性要求高,用户个性化兴趣要求不高
ItemCF:
长尾物品丰富,用户个性化需求强烈
实时性:
UserCF:
用户有新行为,不一定需要推荐结果立即变化
ItemCF:
用户有新行为,一定会导致推荐结果的实时变化
冷启动:
UserCF:
在新用户对少的物品产生行为后,不能立即对他进行个性化推荐,因为用户相似度是离线计算的
新物品上线后一段时间,一旦有用户对物品产生行为,就可以将新物品推荐给其他用户
ItemCF:
新用户只要对一个物品产生行为,就能推荐相关物品给他,但无法在不离线更新物品相似度表的情况下将新物品推荐给用户
- 算法推荐
- 推荐算法
- 算法推荐
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 算法推荐
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 推荐算法
- 【问底】徐汉彬:亿级Web系统搭建——单机到分布式集群
- iOS 通用宏定义 高效全局宏汇总
- 回归:简单一元线性回归
- From 172.25.254.48 icmp_seq=1 Destination Host Unreachable
- Python Pandas与Numpy中axis参数的二义性
- 推荐算法
- c3p0的使用方法及注意事项
- php获取 用户所在的城市地址
- 属性前缀
- html中文字滚动
- JedisCommand接口说明
- LintCode(回文数)
- Gradle编译指定目录下的源码命令参数
- urho3d的helloworld合并成单个文件(存粹copy)