推荐决策之协同过滤
来源:互联网 发布:现货投资交易软件 编辑:程序博客网 时间:2024/06/06 08:23
推荐系统,整体上有三种方式:
- user->user->item, 推荐与其相同兴趣的用户喜欢的item,user-based
- user->item->item, 推荐与其喜欢的item相似的item,item-based
- user->item-feature->item,抽取用户喜欢item的特征,推荐具备这些特征的item, model-based
user-based更多的考虑相同爱好的用户兴趣,推荐这些用户喜欢/访问过的item,和用户当前的行为关系不大,更多的是用户的这些朋友访问过什么,属于圈子的社会化行为,推荐的item是相同爱好用户最喜欢的item,所以具备热点效应,也就是推荐圈子用户访问最多的;同时也可以将圈子用户刚刚访问item推荐出来,具备很强的实时性,尤其是新引入的热点,可以很快的扩散,也能解决new-item的冷启动问题。
item-based 主要考虑用户历史兴趣,推荐与用户历史喜欢item相似的item,和用户的当前行为有很大的关系,推荐的item与用户当前click的相似性,用户是可以理解的,也就是所谓的可解释性很强,推荐的item也不是热门的,很有可能是冷门(长尾),但是和用户的兴趣相关,要求用户在这个网站上的兴趣是长久和固定的,推荐的意义在于帮助用户找到和其兴趣相关的item。推荐item和是哪个用户关系不大,所以比较好的解决新加入用户的问题。
在做推荐决策时,主要考虑如下问题:
1.用户是否对该领域有固定长期的兴趣
2.用户的规模
3.item的规模
4.新增用户的速度
5.新增item的速度
6.实时性要求
0 0
- 推荐决策之协同过滤
- 个性化推荐之协同过滤
- 电影推荐之协同过滤
- 推荐系统之协同过滤
- 推荐系统之协同过滤
- 推荐体系之协同过滤概述
- 推荐系统之协同过滤概述(转载)
- 推荐系统之协同过滤概述
- 推荐系统之协同过滤概述
- 推荐系统之协同过滤概述
- 推荐算法之协同过滤实战
- 推荐系统方法之协同过滤
- 推荐算法之协同过滤实战
- 推荐体系之协同过滤概述
- 推荐系统之协同过滤概述
- 推荐系统之协同过滤概述
- 协同过滤之 二、SlopeOne推荐算法
- 推荐系统之协同过滤实现
- 【Java】抽象类的几点误区
- 开发自己的编程语言(五)—— CIL中间代码的生成
- unity 3D登录界面C#脚本
- 线程池的原理和连接池的原理
- java文件路径操作详细
- 推荐决策之协同过滤
- 浅析 微信公共平台消息 开发原理
- VisualSVN Server安装时无法启动服务的解决
- 数据结构之双线链表
- highcharts useUTC:针对xAxis的type为datetime类型
- 基础教程2——Start Developing iOS Apps Today——从今天开始开发IOS(IOS7版)系列源文档翻译(三)
- Python 注意
- Catch That Cow
- apache之mina