推荐算法

推荐算法愈来愈多的运用到咱们的生活中，特别是在网站中，当你浏览大大小小的网站，你的行为被时刻记录着，并根据一些依据对你推荐一些物品。下面会简单介绍一下推荐算法，后续会继续对这些算法进行补充。

1.协同过滤算法

2.基于流行度的算法

3.基于模型的算法

4.混合算法

 

协同过滤算法

 

协同过滤算法有两种，一种是基于用户的协同过滤算法，一种是基于物品的协同过滤算法。

基于用户的协同过滤算法

该算法主要是找出用户的类似用户，将类似用户浏览或购买而用户没有购买的商品推荐给用户。

基于用户的协同过滤算法流程以下：

1.分析各个用户对item的评价（经过浏览记录、购买记录等）；

2.依据用户对item的评价计算得出全部用户之间的类似度；

3.选出与当前用户最类似的N个用户；

4.将这N个用户评价最高而且当前用户又没有浏览过的item推荐给当前用户。

以下图：

 

基于物品的协同过滤算法

基于物品的协同过滤算法原理为在计算邻居时采用物品自己，而不是从用户的角度，即基于用户对物品的偏好找到类似的物品，而后根据用户的历史偏好，推荐类似的物品给他。基于物品的协同过滤算法原理大同小异，只是主体在于物品：

1.分析各个用户对item的浏览记录。 依据浏览记录分析得出全部item之间的类似度；

2.对于当前用户评价高的item，找出与之类似度最高的N个item；

3.将这N个item推荐给用户。

以下图：

 

基于流行度的算法

该方法比较简单粗暴，主要是把当前的流行物品或者时间推荐给用户，不考虑用户的偏好，这种算法比较适合应用在新用户上，这类用户没有任何历史数据，能够直接给他们推荐流行的东西，根据用户的点击，再进一步推荐。

 

基于模型的算法

基于模型的方法有不少，用到的诸如机器学习的方法也能够很深，这里只简单介绍下比较简单的方法——Logistics回归预测。咱们经过分析系统中用户的行为和购买记录等数据，获得以下表：

　　 　　

 

表中的行是一种物品，x1~xn是影响用户行为的各类特征属性，如用户年龄段、性别、地域、物品的价格、类别等等，y则是用户对于该物品的喜爱程度，能够是购买记录、浏览、收藏等等。经过大量这类的数据，咱们能够回归拟合出一个函数，计算出x1~xn对应的系数，这便是各特征属性对应的权重，权重值越大则代表该属性对于用户选择商品越重要。 　　

在拟合函数的时候咱们会想到，单一的某种属性和另外一种属性可能并不存在强关联。好比，年龄与购买护肤品这个行为并不呈强关联，性别与购买护肤品也不强关联，但当咱们把年龄与性别综合在一块儿考虑时，它们便和购买行为产生了强关联。好比（我只是好比），20~30岁的女性用户更倾向于购买护肤品，这就叫交叉属性。经过反复测试和经验，咱们能够调整特征属性的组合，拟合出最准确的回归函数。最后得出的属性权重以下： 　　 　　

       

 

基于模型的算法因为快速、准确，适用于实时性比较高的业务如新闻、广告等，而如果须要这种算法达到更好的效果，则须要人工干预反复的进行属性的组合和筛选，也就是常说的Feature Engineering。而因为新闻的时效性，系统也须要反复更新线上的数学模型，以适应变化。

 

混合算法

一般推荐算法中会使用多种算法的融合，每每会获得比单一算法更好的结果，算法融合可使用加权融合，赋予不一样算法不一样的权重，从而获得不一样的结果。

 

总结:

以上几类推荐算法中，基于流行度的算法比较适合使用在新用户群体中，不须要分析用户行为数据，就能够直接进行推荐。基于用户的协同过滤算法比较适合使用在用户数目较少的状况下，用户数过大会使得计算量过大。基于物品的协同过滤算法比较适合使用在用户数目大的状况下。基于模型的推荐算法，可使用多种不一样的模型来进行推荐，具体须要根据实际状况。在条件容许的状况下，可使用模型融合算法，或许会获得更好的结果。

 

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

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