机器学习算法学习---推荐系统的常用算法
Posted zhenpengwang
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习算法学习---推荐系统的常用算法相关的知识,希望对你有一定的参考价值。
概括分类:2)协调过滤推荐:本文后面要专门讲的内容。协调过滤是推荐算法中目前最主流的种类,花样繁多,在工业 界已经有了很多广泛的应用。它的优点是不需要太多特定领域的知识,可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现,可 以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。
3)混合推荐:这个类似我们机器学习中的集成学习,博才众长,通过多个推荐算法的结合,得到一个更好的 推荐算法,起到三个臭皮匠顶一个诸葛亮的作用。比如通过建立多个推荐算法的模型,最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐 算法差,但是使用混合推荐,算法复杂度就提高了,在实际应用中有使用,但是并没有单一的协调过滤推荐算法,比如逻辑回归之类的二分类推荐算法广泛。
4)基于规则的推荐:这类算法常见的比如基于最多用户点击,最多用户浏览等,属于大众型的推荐方法,在目前的大数据时代并不主流。
5)基于人口统计信息的推荐:这一类是最简单的推荐算法了,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,然后进行推荐,目前在大型系统中已经较少使用。
1、概念
协同过滤包括在线的协同和离线的过滤。在线协同是指通过在线数据找到用户可能喜欢的物品;离线过滤是指过滤掉一些不值得推荐的数据。
分类:
(1)基于用户的协同过滤。考虑用户之间的相似度,通过相似用户获得评价高分物品,将其推荐给目标用户。
(2)基于项目的协同过滤。考虑物品之间的相似度,通过目标用户对某些物品的评分,将相似物品推荐给他。
(3)基于模型的协同过滤。目前最主流的,下面详细介绍。
2、基于模型的协同过滤
详情可见:
https://www.cnblogs.com/pinard/p/6349233.html
以上是关于机器学习算法学习---推荐系统的常用算法的主要内容,如果未能解决你的问题,请参考以下文章