常用推荐系统算法总结及性能比较.pdf

常用推荐系统算法总结及性能 比较 ———————————————————————————————— 作者 : ———————————————————————————————— 日期： 一 ,常用推荐系统算法总结 1 、It ｅｍcf ( 基于商品的协同过滤 ) 这个算法是ｃｆ中的一种， 也是当今很多大型网站都在采用的核心算法之一。 对于商城 网站（以 Ama ｚon 为代表 ,当然也包括京东那种具有搞笑特色的推荐系统在内） ，影视类推 荐，图书类推荐， 音乐类推荐系统来说 ,it ｅm 的增长速度远不如 user 的增长速度， 而且 item 之间的相似性远不如 user 之间的相似性那么敏感 ,所以可以在离线系统中将ｉｔｅ m 的相似 度矩阵计算好 ,以供线上可以近乎即时地进行推荐。因为这种方法靠的是 item 之间的相关性 进行推荐 ,所以推荐的ｉ tem 一般都和喜欢的 it ｅｍ内容或者特性高度相似， 很难推荐出用户 潜在喜欢的 it ｅｍ,多样性也比较差。 ２、User ｃf ( 基于用户的协同过滤） 这个是 cf 中的另外一种 ,它的主要特色是可以发现和用户具有同样 ta ｓte 的人，有句俗 话叫做观其友知其人 ,大概也是这个道理吧。 找到用户的相似用户， 通过相似用户喜欢的 item 推荐给该用户。因为用户的相似用户群还是比较敏感的 ,所以要频繁地计算出用户的相似用 户矩阵 ,这样的话运算量会非常大。而且这个算法往往推荐出来的 it ｅm 很多都是大家都喜 欢的比较 ho ｔ的 i ｔem,有的时候它提供的结果并不是个性化，反而成了大众化的推荐了。 用这种算法的 w ｅb 应用一般都是 item 更新频繁 , 比如提供资讯类服务的应用 (以“指阅”为 代表的），或者笑话类推荐 ( 以“冷笑话精选”为代表的 ) 。当然这种算法的一个中间产物 用户相似度矩阵是一个很有用的东西 ,社交类的网站可以利用这个中间产物来为用户提供相 同品位的好友推荐。 ３、Content_bas ｅd( 基于内容的推荐 ) 基于内容的推荐，很大程度上是在进行文本挖掘。 ｗｅ b 应用提供的内容或者爬取的内 容在推给用户之前可以做一些挖掘 ,比如资讯类的应用，将抓取到的资讯 ,通过文本分析那一 套算法提取出每篇资讯的关键词， 以及统计频次和逆向文档频率来聚类或者笨一点地话计算 出资讯的相似度矩阵 ,即共同的 k ｅy words 越多 ,两篇资讯的相似度越高。当你的用户很少很 少 ,你的显式反馈数据非常非常少的时候 ,你可以根据用户的浏览或者有哪些信誉好的足球投注网站等等各种行为 ,来 给用户进行推荐。 再猥琐一点的话 ,你可以在用户刚刚注册好你的应用的时候 ,给他一些提问， 比如让他输入一些感兴趣的话题啊 ,或者对以前看过的电影打分什么的。 ( 当然这些电影都是 你从各个簇中随机选取的， 要足够多样性） 这个算法它好就好在， 不需要拿到用户－－项目 的评分矩阵 ,只需要知道用户喜欢什么，就可以很快速地推荐给用户十分相关的 item 。这