最新消息:20210816 当前crifan.com域名已被污染,为防止失联,请关注(页面右下角的)公众号

【整理】推荐算法

算法 crifan 1105浏览 0评论
协同过滤推荐算法总结 – 刘建平Pinard – 博客园
【总结】
  • 推荐算法
    • 总览
    • 常见种类
      • 基于内容的推荐 Content-based Recommendation
        • 通过用户的偏好做推荐
        • 优点
          • 可以找到用户独特的小众喜好
          • 有较好的解释性
        • 缺点
          • 用户的偏好等数据依赖于NLP处理
            • 通过挖掘文本的TF-IDF特征向量,得到相关数据
      • 协调过滤推荐 Collaborative-based Recommendation
        • 当前最主流
          • 花样繁多
          • 工业界广泛应用
            • 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
        • 优点
          • 不需要太多特定领域的知识
          • 基于统计的机器学习算法来得到较好的推荐效果
          • 工程上容易实现
            • 方便应用到产品中
      • 混合推荐
        • 类似于:机器学习中的集成学习
        • 通过多个推荐算法的结合,得到一个更好的推荐算法
        • 举例
          • 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
        • 优点
          • 理论上不会比单一任何一种推荐算法差
        • 缺点
          • 算法复杂度高
          • 应用不是很广泛
            • 没有单一的协调过滤推荐算法应用广泛
              • 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
      • 基于规则的推荐 Rule-based Recommendation
        • 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
      • 基于人口统计信息的推荐 Demographic-based Recommendation
        • 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

转载请注明:在路上 » 【整理】推荐算法

发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
80 queries in 0.206 seconds, using 22.14MB memory