推薦系統的經常使用算法對比

 在推薦系統簡介中，咱們給出了推薦系統的通常框架。很明顯，推薦方法是整個推薦系統中最核心、最關鍵的部分，很大程度上決定了推薦系統性能的優劣。目前，主要的推薦方法包括：基於內容推薦、協同過濾推薦、基於關聯規則推薦、基於效用推薦、基於知識推薦和組合推薦。

      1、基於內容推薦

      基於內容的推薦（Content-based Recommendation）是信息過濾技術的延續與發展，它是創建在項目的內容信息上做出推薦的，而不須要依據用戶對項目的評價意見，更多地須要用機 器學習的方法從關於內容的特徵描述的事例中獲得用戶的興趣資料。在基於內容的推薦系統中，項目或對象是經過相關的特徵的屬性來定義，系統基於用戶評價對象 的特徵，學習用戶的興趣，考察用戶資料與待預測項目的相匹配程度。用戶的資料模型取決於所用學習方法，經常使用的有決策樹、神經網絡和基於向量的表示方法等。 基於內容的用戶資料是須要有用戶的歷史數據，用戶資料模型可能隨着用戶的偏好改變而發生變化。

      2、協同過濾推薦

      協同過濾推薦（Collaborative Filtering Recommendation）技術是推薦系統中應用最先和最爲成功的技術之一。它通常採用最近鄰技術，利用用戶的歷史喜愛信息計算用戶之間的距離，而後 利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜愛程度，系統從而根據這一喜愛程度來對目標用戶進行推薦。協同過濾最大優勢是對推薦對象沒有特殊的要求，能處理非結構化的複雜對象，如音樂、電影。

      3、基於關聯規則推薦

      基於關聯規則的推薦（Association Rule-based Recommendation）是以關聯規則爲基礎，把已購商品做爲規則頭，規則體爲推薦對象。關聯規則挖掘能夠發現不一樣商品在銷售過程當中的相關性，在零 售業中已經獲得了成功的應用。管理規則就是在一個交易數據庫中統計購買了商品集X的交易中有多大比例的交易同時購買了商品集Y，其直觀的意義就是用戶在購 買某些商品的時候有多大傾向去購買另一些商品。好比購買牛奶的同時不少人會同時購買麪包。

      4、基於效用推薦

      基於效用的推薦（Utility-based Recommendation）是創建在對用戶使用項目的效用狀況上計算的，其核心問題是怎麼樣爲每個用戶去建立一個效用函數，所以，用戶資料模型很大 程度上是由系統所採用的效用函數決定的。基於效用推薦的好處是它能把非產品的屬性，如提供商的可靠性（Vendor Reliability）和產品的可得性（Product Availability）等考慮到效用計算中。

      5、基於知識推薦

      基於知識的推薦（Knowledge-based Recommendation）在某種程度是能夠當作是一種推理（Inference）技術，它不是創建在用戶須要和偏好基礎上推薦的。基於知識的方法因 它們所用的功能知識不一樣而有明顯區別。效用知識（Functional Knowledge）是一種關於一個項目如何知足某一特定用戶的知識，所以能解釋須要和推薦的關係，因此用戶資料能夠是任何能支持推理的知識結構，它能夠 是用戶已經規範化的查詢，也能夠是一個更詳細的用戶須要的表示。

      6、組合推薦

      因爲各類推薦方法都有優缺點，因此在實際中，組合推薦（Hybrid Recommendation）常常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的作法就是分別用基於內容的方法和協同過濾推薦方法 去產生一個推薦預測結果，而後用某方法組合其結果。儘管從理論上有不少種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦一個最重要原則就是通 過組合後要能避免或彌補各自推薦技術的弱點。