轉(zhuǎn)移

相對于搜索引擎的一種連接信息與人的方式。將推薦引擎看作黑盒嚷闭，輸入物品信息攒岛，輸入用戶信息，輸出匹配關(guān)系凌受。

如果你現(xiàn)在想看個電影阵子，但你不知道具體看哪部，你會怎么做胜蛉？大部分的人會問問周圍的朋友挠进，看看最近有什么好看的電影推薦，而我們一般更傾向于從口味比較類似的朋友那里得到推薦

推薦應(yīng)該說分為兩類：個性化推薦和非個性化推薦誊册，“讓全局優(yōu)秀的內(nèi)容被大家看到”應(yīng)該算是非個性化推薦领突，基于人口統(tǒng)計信息的推薦，顆粒較為粗案怯，熱門榜單/最多觀看這類方法可以簡單解決這個問題君旦；不同的人對于“好”的理解不一樣，換句話說也就是偏好不同，所以推薦新加入的好內(nèi)容我認為是個性化推薦問題金砍。個性化推薦的兩個主要思想八個字概括之：物以類聚局蚀、人以群分。

1恕稠、基于物品和用戶的推薦模型琅绅。對物品（用戶）建模，通常是標(biāo)簽或關(guān)鍵字鹅巍，量化求解鄰居進行推薦千扶。基于用戶的 CF（User CF）、基于物品的 CF（Item CF）骆捧。

（基于用戶的鄰居推薦方式）假設(shè)用戶 A 喜歡物品 A澎羞，物品 C，用戶 B 喜歡物品 B敛苇，用戶 C 喜歡物品 A 妆绞，物品 C 和物品 D；從這些用戶的歷史喜好信息中接谨，我們可以發(fā)現(xiàn)用戶 A 和用戶 C 的口味和偏好是比較類似的摆碉，同時用戶 C 還喜歡物品 D塘匣，那么我們可以推斷用戶 A 可能也喜歡物品 D脓豪，因此可以將物品 D 推薦給用戶 A。

（基于物品的鄰居推薦方式）假設(shè)用戶 A 喜歡物品 A 和物品 C忌卤，用戶 B 喜歡物品 A扫夜，物品 B 和物品 C，用戶 C 喜歡物品 A驰徊，從這些用戶的歷史喜好可以分析出物品 A 和物品 C 時比較類似的笤闯，喜歡物品 A 的人都喜歡物品 C，基于這個數(shù)據(jù)可以推斷用戶 C 很有可能也喜歡物品 C棍厂，所以系統(tǒng)會將物品 C 推薦給用戶 C颗味。

每首歌有超過 100 個元數(shù)據(jù)特征，包括歌曲的風(fēng)格牺弹，年份浦马，演唱者等等。

2张漂、基于關(guān)聯(lián)規(guī)則的推薦模型晶默。發(fā)現(xiàn)用戶與物品之間的關(guān)聯(lián)關(guān)系。協(xié)同過濾推薦航攒。

3磺陡、基于模型的推薦模型，機器學(xué)習(xí)的方式，訓(xùn)練用戶喜好模型币他。

推薦模型與具體場景關(guān)系很大坞靶。物品數(shù)目與用戶數(shù)目的關(guān)系也是其中的因素之一。

現(xiàn)行的推薦往往不是單純用一種推薦模型蝴悉，而是多種方式混合滩愁。1、加權(quán)的混合（Weighted Hybridization）: 用線性公式（linear formula）將幾種不同的推薦按照一定權(quán)重組合起來辫封，具體權(quán)重的值需要在測試數(shù)據(jù)集上反復(fù)實驗硝枉，從而達到最好的推薦效果。2倦微、切換的混合（Switching Hybridization）：前面也講到妻味，其實對于不同的情況（數(shù)據(jù)量，系統(tǒng)運行狀況欣福，用戶和物品的數(shù)目等）责球，推薦策略可能有很大的不同，那么切換的混合方式拓劝，就是允許在不同的情況下雏逾，選擇最為合適的推薦機制計算推薦。3郑临、分區(qū)的混合（Mixed Hybridization）：采用多種推薦機制栖博，并將不同的推薦結(jié)果分不同的區(qū)顯示給用戶。其實厢洞，Amazon仇让，當(dāng)當(dāng)網(wǎng)等很多電子商務(wù)網(wǎng)站都是采用這樣的方式，用戶可以得到很全面的推薦躺翻，也更容易找到他們想要的東西丧叽。4、分層的混合（Meta-Level Hybridization）: 采用多種推薦機制公你，并將一個推薦機制的結(jié)果作為另一個的輸入踊淳，從而綜合各個推薦機制的優(yōu)缺點，得到更加準(zhǔn)確的推薦陕靠。

亞馬遜推薦機制：

（ 在做推薦時迂尝，設(shè)計和用戶體驗也做得特別獨到：1、基于社會化的推薦懦傍，Amazon 會給你事實的數(shù)據(jù)雹舀，讓用戶信服，例如：購買此物品的用戶百分之多少也購買了那個物品粗俱；2说榆、基于物品本身的推薦，Amazon 也會列出推薦的理由，例如：因為你的購物框中有 ***签财，或者因為你購買過 ***串慰，所以給你推薦類似的 ***）

今日推薦 (Today's Recommendation For You): 通常是根據(jù)用戶的近期的歷史購買或者查看記錄，并結(jié)合時下流行的物品給出一個折中的推薦唱蒸。

新產(chǎn)品的推薦 (New For You): 采用了基于內(nèi)容的推薦機制 (Content-based Recommendation)邦鲫，將一些新到物品推薦給用戶。在方法選擇上由于新物品沒有大量的用戶喜好信息神汹，所以基于內(nèi)容的推薦能很好的解決這個“冷啟動”的問題庆捺。

捆綁銷售 (Frequently Bought Together): 采用數(shù)據(jù)挖掘技術(shù)對用戶的購買行為進行分析，找到經(jīng)常被一起或同一個人購買的物品集屁魏，進行捆綁銷售滔以，這是一種典型的基于項目的協(xié)同過濾推薦機制。

別人購買 / 瀏覽的商品 (Customers Who Bought/See This Item Also Bought/See): 這也是一個典型的基于項目的協(xié)同過濾推薦的應(yīng)用氓拼，通過社會化機制用戶能更快更方便的找到自己感興趣的物品你画。

相似度計算：歐幾里得空間距離，歐幾里得向量夾角桃漾，皮爾遜相關(guān)系數(shù)坏匪，Cosine 相似度（也被廣泛應(yīng)用于計算文檔數(shù)據(jù)的相似度），Tanimoto 系數(shù)（也稱為 Jaccard 系數(shù)撬统，是 Cosine 相似度的擴展适滓，也多用于計算文檔數(shù)據(jù)的相似度）

鄰居算法：固定數(shù)量的鄰居，不論鄰居的“遠近”宪摧，只取最近的 K 個粒竖，作為其鄰居颅崩；固定距離范圍內(nèi)的鄰居几于，落在以當(dāng)前點為中心，距離為 K 的區(qū)域中的所有點都作為當(dāng)前點的鄰居沿后，這種方法計算得到的鄰居個數(shù)不確定沿彭，但相似度不會出現(xiàn)較大的誤差。

某種協(xié)同過濾算法：

潛在因子算法（Latent Factor）尖滚。

這種算法的思想是這樣：每個用戶（user）都有自己的偏好喉刘，比如A喜歡帶有小清新的、吉他伴奏的漆弄、王菲等元素（latent factor）睦裳，如果一首歌（item）帶有這些元素，那么就將這首歌推薦給該用戶撼唾，也就是用元素去連接用戶和音樂廉邑。每個人對不同的元素偏好不同，而每首歌包含的元素也不一樣。

對于用戶蛛蒙，定義潛在因子矩陣Q：（0為不喜歡糙箍，1為喜歡）

張三：小清新0.6，重口味0.8牵祟，優(yōu)雅0.1深夯，傷感0.1，五月天0.7诺苹；

對于物品咕晋，定義潛在因子矩陣P：

歌曲A：小清新0.9，重口味0.5收奔，優(yōu)雅0.3捡需，傷感0.6，五月天0.4筹淫；

那么張三對音樂A的偏好為0.6*0.9+0.8*0.5+....

每首歌都有自己的偏好值站辉。偏好值為用戶與音樂的關(guān)系。

如何得到潛在因子损姜？根據(jù)用戶的行為饰剥。單曲循環(huán)=5, 分享=4, 收藏=3, 主動播放=2 , 聽完=1, 跳過=-2 , 拉黑=-5。

那么用戶的行為建立矩陣表摧阅，用戶A

音樂a：5汰蓉；音樂b：空缺；音樂c：空缺棒卷；音樂d：3顾孽；音樂e：-2；音樂f：-5比规；音樂g：空缺若厚；音樂h：-2；音樂i：空缺蜒什；音樂j：2测秸；

通過給定的矩陣表反推用戶矩陣。