从算法原理，看推荐策略

在信息量爆炸的本日，因为范式的转移，传统的内容和渠道已经不再是稀缺资源；在本日，将信息和内容更好更精准得出此刻用户眼前，才是全方面进步服从的方法，真正的稀缺资源酿成了「推」和「拉」。而在这统统的背后，保举算法的浸染都功不行没。

今朝的保举算法一样平常分为四大类：

协同过滤保举算法应该算是一种用的最多的保举算法，它是通过用户的汗青数据来构建“用户相似矩阵”和“产物相似矩阵”来对用户举办相干item的保举，以到达精准满意用户兴趣的目标。好比亚马逊等电商网站上的“买过XXX的人也买了XXX”就是一种协同过滤算法的应用。

基于内容的保举算法，是将item的名称、简介等举办分词处理赏罚后，提取出TF-IDF值较大的词作为特性词，在此基本上构建item相干的特性向量，再按照余弦相似度来计较相干性，构建相似度矩阵。

殽杂保举算法很好领略，就是将其他算法保举的功效赋予差异的权重，然后将最后的综合功效举办保举的要领。

举例来说，好比上述已经提到了三种方法，协同过滤算法中的基于用户和基于item的协同过滤保举，和基于内容的保举算法；而殽杂保举算法中是将这三种保举功效赋予差异的权重，如：基于用户的协同过滤的权重为40%，基于item的协同过滤的权重为30%，基于内容的过滤技能的权重为30%，然后综合计较获得最终的保举功效。

这个很基本，看名字就知道了。这种要领是对item行使某种情势的风行度怀抱，譬喻最多的下载次数或购置量，然后向新用户保举这些受接待的item。就和我们平常常常看到的热点商品、热点保举相同。

相识了或许道理后，就可以来看看在现实场景中，保举算法都是怎么行使的吧。（事先声明，这只是我看了相干对象再团结本身领略进去展望的，假若有说错的处所请列位万万放动手中的刀……）

好，下面开始，先说说协同过滤算法在现实中的应用。

协同过滤算法一样平常是怎么做的呢？我们先来看看在图书保举中的做法：

协同过滤（CF）大抵可分为两类：一类是基于邻域的保举、一类是基于模子的保举；邻域要领是行使用户对已有item的喜欢水平来展望用户对新item的喜欢水平。与之相反，基于模子的要领是行使汗青举动数据，基于进修出的猜测模子，猜测对新项的喜欢水平。凡是的方法是行使呆板进修算法，找出用户与项的彼此浸染模子，从而找出数据中的特定模式。（因为基于模子的要领我也不太领略，暂且不睁开声名，感乐趣的可以查阅相干资料）

【基于邻域的保举】–等于构建用户相似矩阵和产物相似矩阵

假设用户示意出了对一些图片的喜好环境并举办了响应的评分，环境如下：

差异图书代表差异维度，评分则代表了特性向量在该维度上的投影长度，按照用户对差异图书的喜欢水平成立用户的特性向量，然后按照余弦相似度可以判定用户之间的相似性。按摄影似性可以成立用户相似矩阵：

很显然，通过按照用户对汗青图书的评分环境，可以获得用户对其的喜恋爱况，在此基本上构建出用户特性向量，可以必然水平上判定两个用户在图书咀嚼上的相似水平，进而我们可以以为，若A和B较量相似，可以以为A喜好的书B也喜好。

在给A用户举办图书保举时，找到与其相似度较高的其他用户，然后撤除A用户已看过的图书，团结相似用户对某本图书的喜欢水平与该用户与A用户的相似度举办加权，获得的保举指数越高的图书优先举办保举。

这应该也是豆瓣等图书社区上行使的保举算法之一，操浸染户之间的相似度来举办保举。虽然，影戏保举也同理。

同理，反过来我们可以凭证相似的方位，以用户为维度来构建item的特性向量。当我们必要判定两本书是否相似时，就去看对这两本书举办过评价的用户组成是否相似，等于行使评价过一本书的用户向量（或数组）暗示这本图书；也就是说，假若有两本书的评价中，用户重合度较高，即可以为该两本书相似度较高。着实借用的照旧用户相似的基本。（《白话大数据与呆板进修》中也提到过相似的保举算法，感乐趣的同窗可以找来看一下）。

在音乐的保举中同样用到了协同过滤算法，我们众所周知的行使本性化保举的音乐app应该属「网易云音乐」较量典范了。

那么我们就来yy一下网易云音乐的保举算法，起首用户已往城市有听歌的汗青，因为音乐中没有相干的评分机制，那么可以按照用户对音乐的举动来成立一个喜欢水平模子，譬喻：保藏-5分，插手歌单-4分，单曲轮回-3分，分享-5分，听一遍就删-0分（原来想说负分滚粗的）。这样就或许有了一个喜好水平列表，于是接下来就可以按照用户的听歌环境，成立用户的特性向量，接下来的保举就顺遂成章了。

虽然，基于协同过滤算法的用户相似度矩阵算法应该只是网易云采纳的一种保举方法，接下来还会说到其它的方法。

值得留意的是，协同过滤的保举算法固然行使得很广且保举结果也较好，但照旧存在一些不敷之处：

简介部门已经提到了基于内容的过滤算法的根基道理，这里就不再一再了，直接说一下详细或许是怎么用的吧。

基于内容的过滤方法与协同过滤中成立用户相似矩阵的方法相同，都是操作特性向量来举办余弦相似度计较，从而判定物品的相似性。

起首， 操作分词技能对书本的问题和内容举办处理赏罚，去掉权重为0的词（如的、得、地等）；

然后，取 TF-IDF值较大的词作为特性词，并将其提取出来作为标签；

接着， 按照特性词成立书本的特性向量；

最后， 计较差异书本之间的余弦相似度，并凭次成立书本之间的相似度矩阵；

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!