前面我們詳細(xì)了解了一下目前比較成熟的集中推薦算法模型济炎，包括基于內(nèi)容的推薦算法、基于規(guī)則的推薦算法以及協(xié)同過濾推薦算法辐真，也詳細(xì)分析了一下每一種推薦算法的優(yōu)勢與劣勢须尚；
我們分析到，基于內(nèi)容的推薦算法與基于規(guī)則的推薦算法侍咱，由于其兩者的優(yōu)劣性耐床，同時也由于協(xié)同過濾的優(yōu)勢，更多的推薦場景會選擇協(xié)同過濾算法楔脯；那么協(xié)同過濾推薦算法到底是什么樣推薦工作的撩轰；；
我們前面分析到昧廷，協(xié)同過濾推薦算法的原理是基于用戶歷史行為作為分析對象堪嫂， 用戶喜歡消費(fèi)那些具有相似行為的用戶消費(fèi)／喜歡過的信息， 基于其它和當(dāng)前用戶相似的用戶的行為木柬，推薦信息給當(dāng)前用戶皆串；
協(xié)同過濾推薦模型包含三種協(xié)同類型：1）、基于用戶的協(xié)同過濾眉枕；2）恶复、基于項目（內(nèi)容）的協(xié)同過濾；3）速挑、基于模型的協(xié)同過濾寂玲；
-----------------------------------------------------------------------------------------------------------------------------------------------
下面我們詳細(xì)介紹這三種類型的推薦算法是怎么實現(xiàn)推薦的，推薦原理是怎么樣的梗摇；
1）、基于用戶的協(xié)同過濾想许；
基于用戶的協(xié)同過濾是利用數(shù)據(jù)統(tǒng)計找到與目標(biāo)用戶有著相同喜好的相似用戶伶授，根據(jù)目標(biāo)用戶的相似用戶的喜好產(chǎn)生向目標(biāo)用戶的推薦內(nèi)容；到底是怎么實現(xiàn)的流纹；
我們來做一個假設(shè)：
用戶1（運(yùn)營）喜歡書籍A糜烹、書籍C；
用戶2（測試）喜歡書籍B漱凝；
用戶3（產(chǎn)品）喜歡書籍A疮蹦、書籍C、書籍D茸炒；
通過數(shù)據(jù)（用戶之間多維空間中兩個向量夾角的余弦公式）我們發(fā)現(xiàn)用戶1（運(yùn)營）和用戶3（產(chǎn)品）喜好比較相似愕乎，同時我們發(fā)現(xiàn)用戶3喜歡書籍D阵苇，我們預(yù)測用戶1也會喜歡書籍D，那么這個時候我們就可以把書籍D推薦給用戶1感论；這就是基于用戶的協(xié)同過濾推薦绅项；
-----------------------------------------------------------------------------------------------------------------------------------------------
2）、基于項目（內(nèi)容）的協(xié)同過濾比肄；
基于內(nèi)容的協(xié)同過濾是利用數(shù)據(jù)統(tǒng)計找到歷史用戶對歷史消費(fèi)信息的評價數(shù)據(jù)值快耿，發(fā)掘信息與信息之間的相似度，根據(jù)目標(biāo)用戶的歷史消費(fèi)行為喜好將相似的信息推薦給目標(biāo)用戶芳绩；到底是怎么實現(xiàn)的掀亥；
我們來做一個假設(shè)：
用戶1喜歡電影A（戰(zhàn)爭片）、電影C（戰(zhàn)爭片）妥色；
用戶2喜歡電影A（戰(zhàn)爭片）搪花、電影B（愛情片）、電影C（戰(zhàn)爭片）垛膝；
用戶3喜歡電影A（戰(zhàn)爭片）鳍侣；
通過數(shù)據(jù)（內(nèi)容之間多維空間中兩個向量夾角的余弦公式）我們發(fā)現(xiàn)電影A和電影C有著相似的信息屬性，同為戰(zhàn)爭片吼拥，喜歡電影A的用戶都喜歡電影C倚聚，基于這兩者之間的數(shù)據(jù)關(guān)聯(lián)關(guān)系，我們發(fā)現(xiàn)用戶3喜歡電影A,所以我們預(yù)測用戶3也會喜歡電影C凿可，那么這個時候我們就可以把電影C推薦給用戶3惑折；這就是基于內(nèi)容的協(xié)同過濾；
-----------------------------------------------------------------------------------------------------------------------------------------------
3）枯跑、基于模型的協(xié)同過濾惨驶；
基于模型的協(xié)同過濾是目前最主流的協(xié)同過濾類型，該種推薦類型的模型是我們有m個物品敛助、m個用戶的數(shù)據(jù)粗卜，只有部分用戶和部分?jǐn)?shù)據(jù)之間是有評分?jǐn)?shù)據(jù)的，其它部分評分是空白纳击；此時我們要用已有的部分稀疏數(shù)據(jù)來預(yù)測那些空白的物品和數(shù)據(jù)之間的評分關(guān)系续扔，找到最高評分的物品推薦給目標(biāo)用戶；
基于模型的協(xié)同過濾推薦是基于樣本數(shù)據(jù)用戶喜好信息焕数，訓(xùn)練并建立一個推薦模型纱昧，然后根據(jù)實時的目標(biāo)用戶喜好信息進(jìn)行預(yù)測推薦；這個類型的推薦算法就利用到了機(jī)器學(xué)習(xí)模塊堡赔；這里不做過多介紹识脆；
-----------------------------------------------------------------------------------------------------------------------------------------------
通過對上述三種協(xié)同過濾類型的分析，我們簡單總結(jié)一下這幾種推薦類型的原理；
1）灼捂、基于用戶的協(xié)同過濾主要考慮的是用戶和用戶之間的相似度离例，找出相似用戶喜歡的物品，并預(yù)測目標(biāo)用戶對應(yīng)物品的評分纵东，就可以把評分最高的若干個物品推薦給目標(biāo)用戶粘招；比如某用戶（運(yùn)營類型）在網(wǎng)站買了一些運(yùn)營的書籍，另一個用戶（有著運(yùn)營標(biāo)簽）來網(wǎng)站偎球，網(wǎng)站就會推薦大量運(yùn)營的書籍給他洒扎；
2）、基于項目（內(nèi)容）的協(xié)同過濾主要考慮的是物品和物品之間的相似度衰絮，找到目標(biāo)用戶對某些物品的評分袍冷，就可以對相似度高的類似物品進(jìn)行預(yù)測，將評分最高的若干個相似物品推薦給目標(biāo)用戶猫牡；比如某用戶在網(wǎng)上買了一些大數(shù)據(jù)方面的書籍胡诗，網(wǎng)站就會推薦大量大數(shù)據(jù)、云計算淌友、機(jī)器學(xué)習(xí)的書籍給他煌恢；
3）、基于項目的協(xié)同過濾是基于樣本數(shù)據(jù)用戶喜好信息震庭，訓(xùn)練并建立一個推薦模型瑰抵，然后根據(jù)實時的目標(biāo)用戶喜好信息進(jìn)行預(yù)測推薦；這個類型的推薦算法利用到了機(jī)器學(xué)習(xí)模塊器联，這里不做過多介紹二汛；
-----------------------------------------------------------------------------------------------------------------------------------------------
我們對基于用戶的協(xié)同過濾和基于內(nèi)容的協(xié)同過濾做一個簡單的對比，了解一下兩者的優(yōu)勢與劣勢拨拓；（由于基于模型的協(xié)同過濾涉及到機(jī)器學(xué)習(xí)建模肴颊，這里不做介紹）
1）、基于用戶的協(xié)同過濾：劣勢是需要在線實時發(fā)掘用戶和用戶之間的相似度關(guān)系渣磷，計算復(fù)雜度非常高婿着；優(yōu)勢是可以幫助用戶找到新類別喜好的物品；
2）醋界、基于項目（內(nèi)容）的協(xié)同過濾：優(yōu)勢是物品之間的相似度長時間不會有大改變祟身，因此對計算的實時要求不高完全可以線下計算，由于計算量完全所以推薦準(zhǔn)確度非常高物独；劣勢是由于都是基相似內(nèi)容之間的關(guān)聯(lián)性做推薦，所以很難給用戶推薦新的興趣點的內(nèi)容氯葬；
-----------------------------------------------------------------------------------------------------------------------------------------------
這是個性化推薦系統(tǒng)系列的第4篇挡篓，該系列一共有5篇：1、《個性化推薦系列之初步認(rèn)識推薦系統(tǒng)》；2官研、《個性化推薦系列之初步認(rèn)識機(jī)器學(xué)習(xí)》秽澳；3、《個性化推薦系列之推薦系統(tǒng)的演化及常見推薦算法》戏羽；4担神、《個性化推薦系列之協(xié)同過濾推薦算法總結(jié)》；5始花、《個性化推薦系列之推薦算法實踐》妄讯；
詳見知乎專欄--產(chǎn)品打雜https://zhuanlan.zhihu.com/zhoulink
