基本推荐算法站点

所谓推荐算法就是利用用户的一些行为，经过一些数学算法，猜測出用户可能喜欢的东西。

 

 在推荐系统简单介绍中，咱们给出了推荐系统的通常框架。很是明显，推荐方法是整个推荐系统中最核心、最关键的部分，很是大程度上决定了推荐系统性能的优劣。眼下，基本的推荐方法包含：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。

1、基于内容推荐

基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展。它是创建在项目的内容信息上做出推荐的。而不需要根据用户对项目的评价意见，不少其它地需要用机 器学习的方法从关于内容的特征描写叙述的事例中获得用户的兴趣资料。在基于内容的推荐系统中，项目或对象是经过相关的特征的属性来定义。系统基于用户评价对象 的特征，学习用户的兴趣。考察用户资料与待预測项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要实用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。

基于内容推荐方法的长处是：
 1）不需要其余用户的数据。没有冷開始问题和稀疏问题。
 2）能为具备特殊兴趣爱好的用户进行推荐。
 3）能推荐新的或不是很是流行的项目，没有新项目问题。

 4）经过列出推荐项目的内容特征，可以解释为何推荐那些项目。

 5）已有比較好的技术。如关于分类学习方面的技术已至关成熟。

缺点是要求内容能easy抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地获得其余用户的推断状况。

2、协同过滤推荐

协同过滤推荐（Collaborative Filtering Recommendation）技术是推荐系统中应用最先和最为成功的技术之中的一个。它通常採用近期邻技术，利用用户的历史喜爱信息计算用户之间的距离，而后 利用目标用户的近期邻居用户对商品评价的加权评价值来预測目标用户对特定商品的喜爱程度，系统从而依据这一喜爱程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。

协同过滤是基于这种若是：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有类似兴趣的其它用户。而后将他们感兴趣的内容推荐给此用户。其基 本思想很易于理解。在平常生活中。咱们每每会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其它用户对某一 内容的评价来向目标用户进行推荐。

基于协同过滤的推荐系统可以说是从用户的角度来进行对应推荐的，而且是本身主动的，即用户得到的推荐是系统从购买模式或浏览行为等隐式得到的，不需要用户努力地找到适合本身兴趣的推荐信息，如填写一些调查表格等。

和基于内容的过滤方法相比，协同过滤具备例如如下的长处：
1） 能够过滤难以进行机器本身主动内容分析的信息，如艺术品，音乐等。
2）共享其它人的经验，避免了内容分析的不全然和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、我的品味）进行过滤。

3）有推荐新信息的能力。

可以发现内容上全然不类似的信息，用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的区别，基于内容的过滤推荐很是多都是用户原本就熟悉的内容。而协同过滤可以发现用户潜在的但本身还没有发现的兴趣偏好。
4） 能够有效的使用其它类似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。

尽管协同过滤做为一种典型的推荐技术有其至关的应用，但协同过滤仍有不少的问题需要解决。最典型的问题有稀疏问题（Sparsity）和可扩展问题（Scalability）。

3、基于关联规则推荐

基于关联规则的推荐（Association Rule-based Recommendation）是以关联规则为基础，把已购商品做为规则头，规则体为推荐对象。

关联规则挖掘可以发现不一样商品在销售过程当中的相关性，在零 售业中已经获得了成功的应用。

管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同一时候购买了商品集Y，其直观的意义就是用户在购 买某些商品的时候有多大倾向去购买另一些商品。比方购买牛奶的同一时候很是多人会同一时候购买面包。

算法的第一步关联规则的发现最为关键且最耗时。是算法的瓶颈，但可以离线进行。

其次，商品名称的同义性问题也是关联规则的一个难点。

4、基于效用推荐

基于效用的推荐（Utility-based Recommendation）是创建在对用户使用项目的效用状况上计算的，其核心问题是怎么样为每一个用户去建立一个效用函数。所以。用户资料模型很是大程度上是由系统所採用的效用函数决定的。基于效用推荐的优势是它能把非产品的属性，如提供商的可靠性（Vendor Reliability）和产品的可得性（Product Availability）等考虑到效用计算中。

5、基于知识推荐

基于知识的推荐（Knowledge-based Recommendation）在某种程度是可以当作是一种推理（Inference）技术，它不是创建在用户需要和偏好基础上推荐的。

基于知识的方法因它们所用的功能知识不一样而有明显差异。效用知识（Functional Knowledge）是一种关于一个项目怎样知足某一特定用户的知识，所以能解释需要和推荐的关系。因此用户资料可以是不论什么能支持推理的知识结构，它可以是用户已经规范化的查询，也可以是一个更具体的用户需要的表示。

6、组合推荐

由于各类推荐方法都有优缺点，因此在实际中，组合推荐（Hybrid Recommendation）经常被採用。

研究和应用最多的是内容推荐和协同过滤推荐的组合。

最简单的作法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预測结果。而后用某方法组合其结果。

虽然从理论上有很是多种推荐组合方法，但在某一详细问题中并不见得都有效，组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。

在组合方式上，有研究人员提出了七种组合思路：
1）加权（Weight）：加权多种推荐技术结果。

2）变换（Switch）：依据问题背景和实际状况或要求决定变换採用不一样的推荐技术。
3）混合（Mixed）：同一时候採用多种推荐技术给出多种推荐结果为用户提供參考。
4）特征组合（Feature combination）：组合来自不一样推荐数据源的特征被还有一种推荐算法所採用。
5）层叠（Cascade）：先用一种推荐技术产生一种粗糙的推荐结果，另一种推荐技术在此推荐结果的基础上进一步做出更精确的推荐。
6）特征扩充（Feature augmentation）：一种技术产生附加的特征信息嵌入到还有一种推荐技术的特征输入中。
7）元级别（Meta-level）：用一种推荐方法产生的模型做为还有一种推荐方法的输入。

7、主要推荐方法的对照

各类推荐方法都有其各自的长处和缺点，见表1。

表1 主要推荐方法对照
推荐方法	长处	缺点
基于内容推荐	推荐结果直观，easy解释； 不需要领域知识	新用户问题； 复杂属性不优势理； 要有足够数据构造分类器
协同过滤推荐	新异兴趣发现、不需要领域知识； 随着时间推移性能提升； 推荐个性化、本身主动化程度高； 能处理复杂的非结构化对象	稀疏问题。 可扩展性问题； 新用户问题； 质量取决于历史数据集。 系统開始时推荐质量差；
基于规则推荐	能发现新兴趣点。 不要领域知识	规则抽取难、耗时。 产品名同义性问题； 个性化程度低；
基于效用推荐	无冷開始和稀疏问题； 对用户偏好变化敏感； 能考虑非产品特性	用户必须输入效用函数； 推荐是静态的。灵活性差； 属性重叠问题；
基于知识推荐	能把用户需求映射到产品上； 能考虑非产品属性	知识难得到； 推荐是静态的