【轉】有哪些較爲熟知的推薦算法

連接：http://www.zhihu.com/question/20326697/answer/58148605

推薦算法大體能夠分爲三類：基於內容的推薦算法、協同過濾推薦算法和基於知識的推薦算法。

基於內容的推薦算法，原理是用戶喜歡和本身關注過的Item在內容上相似的Item，好比你看了哈利波特I，基於內容的推薦算法發現哈利波特II-VI，與你之前觀看的在內容上面（共有不少關鍵詞）有很大關聯性，就把後者推薦給你，這種方法能夠避免Item的冷啓動問題（冷啓動：若是一個Item從沒有被關注過，其餘推薦算法則不多會去推薦，可是基於內容的推薦算法能夠分析Item之間的關係，實現推薦），弊端在於推薦的Item可能會重複，典型的就是新聞推薦，若是你看了一則關於MH370的新聞，極可能推薦的新聞和你瀏覽過的，內容一致；另一個弊端則是對於一些多媒體的推薦（好比音樂、電影、圖片等)因爲很難提內容特徵，則很難進行推薦，一種解決方式則是人工給這些Item打標籤。

協同過濾算法，原理是用戶喜歡那些具備類似興趣的用戶喜歡過的商品，好比你的朋友喜歡電影哈利波特I，那麼就會推薦給你，這是最簡單的基於用戶的協同過濾算法（user-based collaboratIve filtering），還有一種是基於Item的協同過濾算法（item-based collaborative filtering），這兩種方法都是將用戶的全部數據讀入到內存中進行運算的，所以成爲Memory-based Collaborative Filtering，另外一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓練過程比較長，可是訓練完成後，推薦過程比較快。

最後一種方法是基於知識的推薦算法，也有人將這種方法歸爲基於內容的推薦，這種方法比較典型的是構建領域本體，或者是創建必定的規則，進行推薦。
混合推薦算法，則會融合以上方法，以加權或者串聯、並聯等方式盡心融合。
固然，推薦系統還包括不少方法，其實機器學習或者數據挖掘裏面的方法，不少均可以應用在推薦系統中，好比說LR、GBDT、RF（這三種方法在一些電商推薦裏面常常用到），社交網絡裏面的圖結構等，均可以說是推薦方法。

備註：推薦書籍《推薦系統實踐》