推薦算法

推薦算法愈來愈多的運用到咱們的生活中，特別是在網站中，當你瀏覽大大小小的網站，你的行爲被時刻記錄着，並根據一些依據對你推薦一些物品。下面會簡單介紹一下推薦算法，後續會繼續對這些算法進行補充。

1.協同過濾算法

2.基於流行度的算法

3.基於模型的算法

4.混合算法

 

協同過濾算法

 

協同過濾算法有兩種，一種是基於用戶的協同過濾算法，一種是基於物品的協同過濾算法。

基於用戶的協同過濾算法

該算法主要是找出用戶的類似用戶，將類似用戶瀏覽或購買而用戶沒有購買的商品推薦給用戶。

基於用戶的協同過濾算法流程以下：

1.分析各個用戶對item的評價（經過瀏覽記錄、購買記錄等）；

2.依據用戶對item的評價計算得出全部用戶之間的類似度；

3.選出與當前用戶最類似的N個用戶；

4.將這N個用戶評價最高而且當前用戶又沒有瀏覽過的item推薦給當前用戶。

以下圖：

 

基於物品的協同過濾算法

基於物品的協同過濾算法原理爲在計算鄰居時採用物品自己，而不是從用戶的角度，即基於用戶對物品的偏好找到類似的物品，而後根據用戶的歷史偏好，推薦類似的物品給他。基於物品的協同過濾算法原理大同小異，只是主體在於物品：

1.分析各個用戶對item的瀏覽記錄。 依據瀏覽記錄分析得出全部item之間的類似度；

2.對於當前用戶評價高的item，找出與之類似度最高的N個item；

3.將這N個item推薦給用戶。

以下圖：

 

基於流行度的算法

該方法比較簡單粗暴，主要是把當前的流行物品或者時間推薦給用戶，不考慮用戶的偏好，這種算法比較適合應用在新用戶上，這類用戶沒有任何歷史數據，能夠直接給他們推薦流行的東西，根據用戶的點擊，再進一步推薦。

 

基於模型的算法

基於模型的方法有不少，用到的諸如機器學習的方法也能夠很深，這裏只簡單介紹下比較簡單的方法——Logistics迴歸預測。咱們經過分析系統中用戶的行爲和購買記錄等數據，獲得以下表：

　　 　　

 

表中的行是一種物品，x1~xn是影響用戶行爲的各類特徵屬性，如用戶年齡段、性別、地域、物品的價格、類別等等，y則是用戶對於該物品的喜愛程度，能夠是購買記錄、瀏覽、收藏等等。經過大量這類的數據，咱們能夠迴歸擬合出一個函數，計算出x1~xn對應的係數，這便是各特徵屬性對應的權重，權重值越大則代表該屬性對於用戶選擇商品越重要。 　　

在擬合函數的時候咱們會想到，單一的某種屬性和另外一種屬性可能並不存在強關聯。好比，年齡與購買護膚品這個行爲並不呈強關聯，性別與購買護膚品也不強關聯，但當咱們把年齡與性別綜合在一塊兒考慮時，它們便和購買行爲產生了強關聯。好比（我只是好比），20~30歲的女性用戶更傾向於購買護膚品，這就叫交叉屬性。經過反覆測試和經驗，咱們能夠調整特徵屬性的組合，擬合出最準確的迴歸函數。最後得出的屬性權重以下： 　　 　　

       

 

基於模型的算法因爲快速、準確，適用於實時性比較高的業務如新聞、廣告等，而如果須要這種算法達到更好的效果，則須要人工干預反覆的進行屬性的組合和篩選，也就是常說的Feature Engineering。而因爲新聞的時效性，系統也須要反覆更新線上的數學模型，以適應變化。

 

混合算法

一般推薦算法中會使用多種算法的融合，每每會獲得比單一算法更好的結果，算法融合可使用加權融合，賦予不一樣算法不一樣的權重，從而獲得不一樣的結果。

 

總結:

以上幾類推薦算法中，基於流行度的算法比較適合使用在新用戶羣體中，不須要分析用戶行爲數據，就能夠直接進行推薦。基於用戶的協同過濾算法比較適合使用在用戶數目較少的狀況下，用戶數過大會使得計算量過大。基於物品的協同過濾算法比較適合使用在用戶數目大的狀況下。基於模型的推薦算法，可使用多種不一樣的模型來進行推薦，具體須要根據實際狀況。在條件容許的狀況下，可使用模型融合算法，或許會獲得更好的結果。

 

參考博客：https://blog.csdn.net/u010670689/article/details/71513133/

參考博客：https://blog.csdn.net/xiaokang123456kao/article/details/74735992