推荐系统

转自：http://blog.csdn.net/u010670689/article/details/71513133

推荐算法分类：

• 基于流行度的算法
• 协同过滤算法
• 基于内容的算法
• 基于模型的算法
• 混合算法

基于流行度的算法
不提供个性化推荐。我觉得哔哩哔哩在这方面做的非常好，比如电视剧的排序，他首先分为两部分，完结剧集和连载剧集，分别排序，我觉得这是他比A站好的地方，又分别按投稿时间和热度排序，虽然不是个性化推荐，但他已经把类别分的很细了，在一个类别下，同一段时间内总是能聚集起一大堆对这部分内容感兴趣的用户。

协同过滤算法
（Collaborative Filtering，CF），分为两种：基于用户（User-based CF）和基于物品（Item-based CF）。

基于用户的CF原理如下：
1、分析各个用户对item的评价（通过浏览记录、购买记录等）；
2、依据用户对item的评价计算得出所有用户之间的相似度；
3、选出与当前用户最相似的N个用户；
4、将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户。

注意：这里用户相似度的计算，并不依靠内容，仅仅依靠历史行为记录。

基于物品的CF原理大同小异：
1、分析各个用户对item的浏览记录；
2、依据浏览记录分析得出所有item之间的相似度；
3、对于当前用户评价高的item，找出与之相似度最高的N个item；
4、将这N个item推荐给用户。

这里还是计算相似度，只根据历史浏览记录，不分析文件内容。（余弦相似度）

协同过滤的问题：
1、依赖于准确的用户评分；
2、在计算过程中，那些大热的物品会有更大的几率被推荐给用户；
3、冷启动问题。当有一个新用户或者新物品进入系统时，推荐将无从依据；
4、在一些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐。（矩阵因子分解（如LFM），可以把一个n*m的矩阵分解为一个n*k的矩阵乘以一个k*m的矩阵）

基于内容的算法
基于内容的推荐可以很好的解决冷启动问题，因为它是直接基于内容匹配，而与浏览记录无关。然后它也存在过度专业化的问题，这种方法会一直推荐给用户内容密切关联的item，而失去了推荐内容的多样性。
（tf-idf计算特征词的权重）
（用word2vec可以将文本的关键词聚类，然后根据topic将文本向量化）