算法基于内容的个性化推荐算法

Posted 数据科学与人工智能

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了算法基于内容的个性化推荐算法相关的知识,希望对你有一定的参考价值。

小编邀请您,先思考:

1 如何做内容推荐?

2 如何给一个购物中心推荐品牌?


个性化推荐算法有许多类别,主要包括基于内容的推荐、协同过滤、SVD、基于知识的推荐以及混合推荐算法。


本文介绍基于内容的推荐算法(Content-based Recommendation)。

基于内容的推荐算法(以下简称“内容推荐算法”)只有一个关键点——标签(tag)。推荐算法将产品分解为一系列标签,并根据用户对产品的行为(例如,购买、浏览)将用户也描述为一系列标签。


内容推荐算法的原理:

1. 将产品分解为一系列标签。例如,一个手机产品的标签可以包括品牌、价格、产地、颜色、款式等。如果是自营b2c电商,一般可以在产品入库时手动打标签。

2. 基于用户行为(浏览、购买、收藏)计算每个用户的产品兴趣标签。例如,用户购买了一个产品,则将该产品的所有标签赋值给该用户,每个标签打分为1;用户浏览了一个产品,则将该产品的所有标签赋值给该用户,每个标签打分为0.5。计算复杂度为:已有产品数量*用户量。该过程为离线计算。

3. 针对所有新产品,分别计算每个用户的产品标签与每个新产品的相似度(基于cosine similarity)。计算复杂度为:新产品数量*用户量。该过程为在线计算。




从可行性角度,一个应用场景是否适合用内容推荐算法取决于:

1. 是否可以持续为产品打标签。

2. 标签是否可以覆盖产品的核心属性?例如,手机产品的标签一般可以覆盖消费者购物的核心决策因素,但是女装一般比较难(视觉效果很难被打标)。

内容推荐算法的优势:

1. 推荐结果可理解:不仅每个用户的核心兴趣点可以被标签化(便于理解每个用户的兴趣),并且可以在每一个推荐结果的展示中现实标签,便于消费者理解推荐结果(如下图红框)。

【算法】基于内容的个性化推荐算法


2. 推荐结果稳定性强:对于用户行为不丰富的产品类型(例如,金融产品),协同过滤很难找到同兴趣用户群或关联产品,在相似度计算中稀疏度太高。然而,内容推荐主要使用标签,标签对用户兴趣捕捉稳定性要远远高于单个产品。

3. 便于人机协作:用户可以勾选或者关注推荐标签,从而通过自己的操作来发现自己的个性化需求。




内容推荐算法的劣势:

1. 不适合发现惊喜:如果一个产品不易于被标签穷举或描述产品的标签还没出现,则该产品很难被准确推荐。

2. 在线应用计算复杂度较高:需要基于每个用户来计算相似产品。


链接:https://www.jianshu.com/p/4943455e59d7

亲爱的读者朋友们,您们有什么想法,请点击【写留言】按钮,写下您的留言。



数据人网(http://shujuren.org)诚邀各位数据人来平台分享和传播优质数据知识



360区块链,专注于360度分享区块链内容

    脚印英语,专注于分享实用口语内容。



阅读原文,更多精彩!

分享是收获,传播是价值!



以上是关于算法基于内容的个性化推荐算法的主要内容,如果未能解决你的问题,请参考以下文章

BAT大牛亲授 个性化推荐算法实战

Python+Django+Mysql个性化二手车推荐系统 汽车推荐系统 基于用户项目内容的协同过滤推荐算法 WebCarCFRSPython python实现协同过滤推荐算法实现源代码下载

Python+Django+Mysql个性化购物商城推荐系统 电子商务推荐系 基于用户项目内容的协同过滤推荐算法 WebShopRSMPython python实现协同过滤推荐算法实现源代码下载

BAT大牛亲授-个性化推荐算法实战

BAT大牛亲授-个性化推荐算法实战

研究报告 | 基于不变量整合的个性化推荐算法