常见推荐算法简介

Posted 2021-04-29 风荷旖旎

本文2200字左右，预计阅读时间7分钟

当前浏览器不支持播放音乐或语音，请在微信或其他浏览器中播放

基于用户画像的推荐算法

用户画像主要是指根据用户的行为数据分析归纳出用户可能的兴趣模型，然后根据兴趣模型，给用户推荐符合其兴趣模型的物品（本文提高的物品泛指信息）。比如我是一个上海市的80后，我喜欢科幻、欧美视频，那能不能给我推荐一些类似的视频呢？

基于协同过滤的推荐算法

该算法基本思想其实就是口碑推荐的实质，即你的好友发现某个商品很好用，那么你很有可能会购买该商品。根据相似度比较的对象不同，可以分为基于用户的推荐和基于物品的推荐。

（1）基于用户的最近邻域推荐

当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其它用户，然后把那些用户喜欢的，而用户A没有听说过的物品推荐给A。

（2）基于物品的最近邻域推荐

给用户推荐那些和他们之前喜欢的物品相似的物品，比如你之前在亚马逊上购买了《数据挖掘导论》，依据推荐算法，则会给你推荐与该书相似的书，比如《机器学习》等。

基于内容的推荐算法

其主要思想就是：我们首先要给物品进行划分一些属性，你也可以称为分类，比如说对汽车分为一些类别，比如微型车，中型车，大型车，豪华车等等，每一类中又可以细分，例如按照马力，门数等，我们建立了这些属性数据之后，那我们怎样推送呢？当用户看某一商品的时候，可以给他推荐一些同类的，比如它的属性比较相近，或者分类在同一类里面，或者说不是同一类但是是相近分类的汽车给他，这就是基于内容的推荐。

基于内容的推荐的好处在于易于理解，但是坏处是推荐方式比较依赖于完整的内容知识库的建立。如果内容格式化比较差，那么基于内容的推荐就无法实行。

基于标签的推荐算法

其实标签本质也是一种分类，比如对视频进行年代、人物、风格、类目等分类后，若用户A看了一部视频之后，我们可以给其推荐在年代、类目、人物等维度上都很相似的视频给他。该种推荐思想与基于内容的推荐是一致的，因为这两者的本质都是基于分类系统。

基于内容推荐和基于标签推荐的区别：基于内容推荐的分类通常来说是比较专业的，基本上可以完全正确地代表物品的内容，而基于标签推荐的分类通常来说相对比较随意，一般由用家或玩家来打，比如豆瓣等，其代表物品内容的真实性待商榷。

基于社交网络的推荐算法

基于社交网络的推荐是协同过滤推荐在社交网络中的延伸，同时又具有基于网络结构推荐的特点。大体上可以分为两类，即基于邻域的社交网络推荐和基于网络结构的社交网络推荐。

（1）基于邻域的社交网络推荐

其基本思想是查询社交网络中当前用户所有的好友，根据好友的兴趣数据，向当前用户推荐好友喜欢的物品集合。

（2）基于网络结构的社交网络推荐

该算法把用户、用户的好友、用户的喜好和好友的喜好连接起来形成一个社交网络结构图。同时，根据用户之间的熟悉程度和喜好相似度，来定义用户之间和用户的喜好之间的权重，然后选择与用户没有直接相关的物品，按照优先级别生成推荐列表。

PS :本文结构如下图

◆  ◆  ◆  ◆  ◆  

注：本文为个人笔记，若解读有误还请指正，不胜感激！