推荐算法

一、协同过滤推荐算法（基于用户）：
定义：在用户行为中寻找特定模式，用以创建用户专属的推荐内容
输入：只取决于使用数据（如：评价，购买，下载，用户偏好）
类型：
（1）基于相似类型的协同过滤（比如基于兴趣类似的用户或者基于类似用户的物品）
用户对物品的评分可直接用以预测新物品的评分，用户喜欢物品A，那么可能就会喜欢与物品A类似的物品
基于用户：对物品有着相似品味的用户，你喜欢的我可能也会喜欢（通过对物品的一些评分等信息来计算余弦相似性）

相似性矩阵：

根据相似用户进行评分预测

基于物品：对单个用户，购买了A，也可能会购买与A类似的B（分析过程与同上，只不过对象改成了书籍，书籍的相似矩阵）
（2）基于模型的协同过滤（矩阵因子分解，受限玻尔兹曼机，贝叶斯网络等）
通过机器学习，在数据中找出模式，并将用户与物品间的互动方式模式化，输入特征，来输出评分。
优点：
（1）不需要对预知识有太深的了解
（2）无需了解用户及物品的特性
缺点：
（1）需要标准化的产品
（2）对于用户与物品的比率需求高（1:10），即用户需求量比较大
（3）会受流行度的影响
（4）无法推荐用户未评价或者未使用过的物品
本质上：给用户推荐之前浏览，点击，收藏的内容或相似的内容

二、基于内容过滤的推荐算法：
定义：根据用户过去喜欢的物品，推荐元数据，描述，主题等类似的物品，基于物品本身的内容（如年份，标题，描述），而不是用户对物品的反馈
输入：仅取决于物品及用户的内容/描述（但不包括使用数据）
类型：
（1）信息检索
（2）机器学习（朴素贝叶斯，支持向量机，决策树等）
优点：
（1）无需使用数据
（2）不存在流行度偏好，可以根据罕见特性推荐物品
（3）可以通过用户内容特性来解释
缺点：
（1）物品内容要能输入到机器中
（2）容易局限化用户的分类
（3）很难将多个物品的特征组合在一起
本质上：基于用户和物品的关联程度，来给特定用户推荐相似物品（没有使用用户行为数据）
三、混合方式的推荐算法：
定义：结合协同过滤（）与基于内容过滤两种方式，以利用某个算法的优点解决另一个算法的缺点
输入：通过用户/物品内容特征（用户和物品的关联度）及使用数据（用户对物品的反馈）以借助这两类数据的优势
类型：权衡，切换，混合，特性结合，级联，特性增强
优点：
（1）无流行度偏颇，可推荐罕见特性的物品
（2）可实现多样化
缺点：
（1）不好平衡
本质上：可以认为是协同过滤和基于内容的推荐
四、流行度推荐算法
定义：根据流行度来推荐物品的算法（如下载，观看，影响度较高的）
输入：使用数据与物品内容（分类）
优点：
（1）容易实现
（2）基准算法优秀
缺点：
（1）需要标准化产品
（2）不会推荐新物品，推荐列表变动不会太大（很少会推荐流行度不高，但是有人喜欢的物品）
本质上：谁流行推荐谁
五、高级或“非传统”推荐算法
类型：深度学习，学习排名，情景感知推荐，社会化推荐
优点：
（1）使用新技术
缺点：
（1）不适合作为推荐系统的首要推荐算法
本质上：利用新技术实现推荐系统

总而言之，基础的推荐算法就两种，1.基于协同过滤（基于用户，基于内容），2.基于内容推荐，其他的实际上是两种基础推荐算法的加权，只不过加权方式不同