推荐算法总结

Posted 2023-04-25

参考技术A 一、协同过滤

基于用户协同过滤UserCF

基于物品协同过滤ItemCF

基于模型协同过滤Mode_based

基于用户和基于物品协同过滤都称为以记忆为基础的协同过滤技术，共同缺点是资料稀疏、难以处理大数据量下的即时结果，因此发展出基于模型的协同过滤

核心思想：
基于历史资料得到一个模型，再用此模型进行预测用户对物品的评分

二、聚类算法

三、分类算法：

主要思路：根据文本特征或属性，划分到已有的类别中。常用分类算法包括：决策树分类法、朴素的贝叶斯分类算法、基于支持向量机的分类器，神经网络法，K-最近邻法，模糊分类法

#朴素贝叶斯分类算法

推荐系统[八]算法实践总结V1：淘宝逛逛and阿里飞猪个性化推荐：召回算法实践总结冷启动召回复购召回用户行为召回等算法实战

0.前言：召回排序流程策略算法简介

推荐可分为以下四个流程，分别是召回、粗排、精排以及重排：

1. 召回是源头，在某种意义上决定着整个推荐的天花板；
2. 粗排是初筛，一般不会上复杂模型；
3. 精排是整个推荐环节的重中之重，在特征和模型上都会做的比较复杂；
4. 重排，一般是做打散或满足业务运营的特定强插需求，同样不会使用复杂模型；

• 召回层：召回解决的是从海量候选item中召回千级别的item问题

  • 统计类，热度，LBS；
  • 协同过滤类，UserCF、ItemCF；
  • U2T2I，如基于user tag召回；
  • I2I类，如Embedding（Word2Vec、FastText），GraphEmbedding（Node2Vec、DeepWalk、EGES）；
  • U2I类，如DSSM、YouTube DNN、Sentence Bert；
    

• 模型类：模型类的模式是将用户和item分别映射到一个向量空间，