智能推荐系统初探：定义、目的、常用的推荐算法

2019-06-24 本文已影响6人 f06d8363e7c7

推荐大家都不陌生，身边朋友会给我们推荐好的（认为我们喜欢的）电影、书籍、美食，互联网上各个APP（抖音、头条、天猫、京东等等）也会根据对我们的了解推荐他们认为我们会喜欢的内容，接下来就和大家一起看一下推荐系统以及常用的推荐算法。

推荐系统是一种软件工具和技术方法，它可以向用户建议有用的产品，这种建议适用于多种决策过程，如购买什么物品、听什么音乐、在网上浏览什么新闻等。

智能推荐系统，亦即个性化推荐系统，它是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务和决策支持。

1、帮助用户找到想要的商品，发掘长尾；

2、降低信息过载；

3、提高站点的点击率／转化率；

4、加深对用户的了解，为用户提供定制化的服务；

算法实际上就是一个函数，给定若干参数，输出返回值。

推荐算法，输入参数就是用户和item的各种属性和特征，经过推荐算法后，返回一个按照用户喜好排序的item列表。常用的推荐算法如下：

1、基于人口统计学的推荐

基于人口统计学的推荐是一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。这里所说的基本信息不包含用户行为，仅包括统计学的基本信息，例如性别、年龄、国籍等。

2、基于产品的推荐

基于产品的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐产品或内容的元数据，发现产品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的产品。

3、基于协同过滤的推荐

根据用户对产品或者信息的偏好，发现产品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐。

3.1、基于用户的协同过滤推荐

根据所有用户对产品的偏好，发现与当前用户偏好相似的用户群，然后，基于k个邻居的历史偏好信息，为当前用户进行推荐。

基于用户的协同过滤推荐和基于人口统计学的推荐类似，所不同的是如何计算用户的相似度，基于人口统计学的推荐只考虑了用户自身的特征，而基于用户的协同过滤机制是在用户的历史偏好数据上计算用户的相似度，它的基本假设是，喜欢类似产品的用户可能有相同或者相似的口味和偏好。

3.2、基于产品的协同过滤推荐

使用所有用户对产品或信息的偏好，发现产品和产品之间的相似度，然后根据用户的历史偏好信息，将类似的产品推荐给用户。

基于产品的协同过滤推荐和基于产品的推荐类似，所不同的是如何计算产品的相似度，基于产品的推荐是基于产品本身的属性特征，而基于产品的协同过滤则是从用户历史的偏好判断。

3.3、基于模型的协同过滤推荐

基于模型的协同过滤推荐就是基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐。

4、混合推荐机制

混合推荐是将多个方法混合在一起，从而达到更好的推荐效果。

4.1、加权的混合

用线性公式将集中不同的推荐算法按照一定的权重组合起来，具体权重的值需要在测试数据上反复实验，从而达到最好的推荐效果。

4.2、切换的混合

允许在不同的情况下，选择最为合适的推荐机制进行推荐。

4.3、分区的混合

采用多种推荐机制，并将不同的推荐结果俺不同的分区展示给用户。

4.4、分层的混合

采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。

当然所有这些推荐算法都建立在了解你的用户的前提下，越充分的了解你的用户，才能给出越好的推荐。