常用推荐算法分类
下面总结了常用的一些推荐算法的分类和概念，帮助你快速了解推荐系统。
一、基于人口统计学的推荐
1、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。
2.、用户信息标签化的过程又称为用户画像。用户画像就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌。
二、基于内容的推荐
1、根据推荐物品或内容的元数据，发现物品的相关性，再基于用户过去的喜好记录，为用户推荐相似的物品。
2、通过抽取物品内在或者外在的特征值，实现相似度计算。
3、对于物品特征提取——打标签。分为三类：专家标签（PGC）、用户自定义标签（UGC）、降维分析数据，提取隐语义标签（LFM）
4、对于文本信息特征提取——关键词。分词、语义处理和情感分析（NLP），潜在语义分析（LSA）
5、特征工程。
- 特征工程一般包括特征清洗（采样、清洗异常样本），特征处理和特征选择
- 一些数据类型的处理。
6、基于UGC的推荐。
- 简单推荐
- 基于TF-IDF的推荐（用户u对物品i兴趣计算）
三、基于协同过滤的推
1、协同过滤可以解决基于内容的一些局限
- 物品内容不完全或者难以获得时，依然可以通过其他用户的反馈给出推荐
- CF基于用户之间对物品的评价质量，避免了CB仅依赖内容可能造成的对物品质量判断的干扰
- CF推荐不受内容限制，只要其他类似用户给出了对不同物品的兴趣，CF就可以给用户推荐出内容差异很大的物品（但有某种内在联系）
2、基于近邻的协同过滤
- 基于用户（User-CF）。基本原理：根据所有用户对物品的偏好，发现与当前用户口味和偏好相似的用户群，并推荐近邻所偏好的物品。
- 基于物品（Item-CF）。基本原理：使用所有用户对物品的偏好，发现物品与物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户。
- 使用场景。User-CF主要用于新闻网站，物品数量远大于用户数量，物品的更新程度比较快。Item-CF主要用于电商、电影、音乐网站，物品数量远远小于用户数量，物品的个数和相似度比较稳定。基于物品的机制比基于用户的实时性要好
- 优点：不需要对物品或者用户进行严格的建模；不要求对物品特征的描述是机器可理解的，是领域无关的；这种方法计算出的推荐是开放的，可以供用他人的经验，很好的支持用户发现潜在的兴趣偏好。
- 缺点：核心基于历史数据，对新物品和新用户都有“冷启动”的问题；推荐的效果依赖于用户历史偏好的数据的多少和准确性；在大部分 的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响。
3、基于模型的协同过滤。
- 原理：基于样本的用户偏好信息，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新物品的得分，计算推荐。
- 隐语义模型（LFM）。训练模型时，可以基于标签内容来提取物品特征，也可以让模型取发掘物品的潜在特征，通过矩阵分解进行降维分析。
- 矩阵因子分解。主要通过交替最小二乘法（ALS）和梯度下降算法。
4、基于近邻的推荐和基于模型的推荐的区别
- 基于近邻的推荐是在预测时直接使用已有的用户偏好数据，通过近邻数据来预测对新物品的偏好（类似分类）
- 基于模型的推荐是使用这些偏好数据来训练模型，找到内在规律，再用模型来做预测（类似回归）