推荐系统之集体智慧再理解
Posted 尼萌工作室
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了推荐系统之集体智慧再理解相关的知识，希望对你有一定的参考价值。
“ 这是尼萌工作室的第【 15】篇文章。本文正文1470字，阅读完成约15分钟。”
摘要：基于人口统计学，协同过滤，基于内容推荐都是是一种集体智慧的体现，也就是需要借助于群体信息做决策。
在推荐工程中， 常用到的一种思想为集体智慧决策。
一般来说，凡是借助于群体信息来进行信息过滤的推荐算法都可归为集体智慧。
基于人口统计学，协同过滤，基于内容推荐都是是一种集体智慧的体现，也就是需要借助于群体信息做决策。从另一个角度来讲，其实就是“借用数据”，在自身数据稀缺的情况下利用其他相似的信息帮助建模。
01 基于人口统计学（Demogtaphic-based）
—
一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似群体的用户喜爱的其他物品推荐给当前用户。
基于大数据技术，将企业用户标签化，构建成用户画像，如四川推荐麻辣火锅，做到群体大致精准的推荐。
02 协同过滤（Memory-based）
—
通过历史行为数据来找到某种人（User）和物（Item）的可能关联来进行推荐，又称为Neighborhood-based（近邻推荐）。
基于用户行为相似信息的推荐模型， 根据用户在物品上的行为找到物品或者用户的“近邻”，这里的“邻”，一般指群体，其基本假设是相似的用户可能会有相似的喜好，相似的物品可能会被相似的人所偏好。
熟悉的包括基于用户（User-CF）的协同过滤，基于物品（Item-CF）的协同过滤，word2vect embedding 等方式。
优点：不需要对物品，用户进行严格的建模，也不要求推荐的可解释性，是领域无关的。
缺点也明显：
对物品和用户都存在冷启动问题（本质是基于历史行为数据）
对用户行为数据准确性和完备性较高。如果用户行为太少，出现推荐偏差。
若历史行为中热点集中爆发，则会出现大量用户推荐都为热门物品，有失个性化
对于品味独特，小众，长尾推荐也不能很好的契合。
以上是关于推荐系统之集体智慧再理解的主要内容，如果未能解决你的问题，请参考以下文章