【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