この記事は、https://blog.csdn.net/u011095110/article/details/84403564に再現されます
推奨されるアルゴリズムの概要
1）の勧告に基づいて：このタイプのいくつかの知識は、ユーザの嗜好を取得した後、勧告を行うためにTF-IDFテキストマイニング特徴ベクトルによって、自然言語処理NLPに一般的に依存しています。このようなユーザーのユニークなニッチな嗜好を見つけるために推薦アルゴリズム、だけでなく、より良い説明。NLPのこのタイプは、基礎を必要とするので、この記事では、後の時間に話し合う特にNLPについて、話をすることはありません。
2）協調フィルタリング推奨：この記事の後半では、コンテンツに専念します。コーディネーションフィルタリング推薦アルゴリズムは、広く多くの産業で使用されている、ほとんどの主流のタイプ、多様です。利点は、特定の領域では、あなたは、統計に基づく機械学習アルゴリズムによって、より良いの推薦結果を得ることができます多くの知識を必要としないことです。最大の利点は、簡単にプロジェクトで達成され、それが簡単に製品に適用することができます。現在、推薦アルゴリズムの実用化の大半は、協調フィルタリングアルゴリズムです。
3）ハイブリッド勧告：これは私たちの機械学習アンサンブル学習に似ている、ボー長い公衆の前に、より良い推奨アルゴリズムを取得するために、複数の推薦アルゴリズムを組み合わせることにより、三ばか大将は諸葛孔明のトップ役割を果たしています。例えば、複数のモデル推薦アルゴリズムを作成し、最後に最終的な推薦結果を決定するための方法を投票することによって。ハイブリッド推薦任意の単一の推奨アルゴリズムよりも理論的には悪くないが、ハイブリッド推薦アルゴリズムの複雑さを使用して実用的な用途での使用があり、増加されるであろうが、単一の協調フィルタリングアルゴリズムは、ロジスティック回帰など、存在しません広いバイナリ分類推薦アルゴリズム。
4）ルールベースの勧告：ビッグデータの最も一般的なユーザーがクリックするなど、大量に属する最も推奨されるメソッドを閲覧したユーザ、および内の現在の時代に基づくアルゴリズムのこのタイプが主流ではありません。
5）推奨人口統計情報に基づいて：このカテゴリには、最も簡単な推奨アルゴリズムであり、それは単に相関度は、ユーザの基本的な情報システムのユーザーに基づいて、その後、勧告を行うことがわかった、今ではめったに大規模なシステムで使用されていません
2. 協調フィルタリングの推奨概要
二つの部分では、オンラインとオフラインの協調フィルタリングなどのアルゴリズムの最も古典的なタイプで推奨されているように、協調フィルタリング（協調フィルタリング）。いわゆるオンラインコラボレーション、いくつかは、このようなデータの推奨低スコアよりも、データフィルタを推奨していない、またはそれは高いが推奨されますが、ユーザーがデータを購入したときにユーザーがオンラインデータ、オフラインでろ過を通じてアイテムを好むかもしれない見つけることです。
協調フィルタリングモデルは、データのユーザと部分との間のm個のユーザデータは、スコアデータの一部のみであり、一般にMのアイテムであるブランクスコアの他の部分は、この時点で、我々は、それらを予測するためにスパース・データの一部を使用する必要がオブジェクトとデータのブランクの間に評価の関係は、ユーザーにお勧めのアイテムの最高のスコアを見つけます。
一般的に、協調フィルタリングは、次の3つのタイプに分けられます。第一のユーザ（ユーザベース）に基づく協調フィルタリング、協調フィルタリングに基づいて第2のアイテム（アイテムベース）、および第三のモデル（モデルベースの）協調フィルタリングに基づいています。
ユーザ（ユーザベースの）協調フィルタリングに基づいて、主な考慮事項は、ユーザとユーザの間の類似性である限り、ユーザーが同様のアイテムを見つけるために、アイテムに対応する目標ユーザスコアを予測するために好きなように、あなたは、人気の数を見つけることができますユーザーにお勧めのアイテム。その後、プロジェクトベース（アイテムベース）協調フィルタリングとユーザベースの協調フィルタリングはに似ていますが、我々は特定のアイテムだけのターゲットユーザーの評価を見つけるために、商品やアイテム間の類似性を見つけるために回し、我々私たちは、ユーザに推薦似たアイテム数の最高のスコアを関連商品の高い類似性を予測することができます。たとえば、あなたがオンライン機械学習関連の本を買って、サイトはすぐに機械学習、あなたの本に関連する大規模なデータの束をお勧めします、ここでは明らかにプロジェクトの考えに基づいて協調フィルタリングを使用しています。
高いユーザベース協調フィルタリングのユーザとユーザがオンラインである間の類似性を見つける必要があり、計算量が確実にプロジェクトベースの協調フィルタリングに基づいて次のようになります。単に私たちのユーザー・ベースの協調フィルタリングとアイテムベースの協調フィルタリングを比較します。しかし、それは、ユーザーが驚きのアイテムの新しいカテゴリを見つけることができます。いくつかの時間が変更されないためのアイテムの類似性による協調フィルタリングベースのプロジェクトは、あなたが簡単にオフラインの計算精度は、一般的に許容できるが、それは多様性を推奨されることができますので、ユーザーにうれしい驚きを与えることは困難であり、考慮すべきA。小さな一般的な推奨システムでは、協調フィルタリングベースのプロジェクトは間違いなく主流となっています。勧告は、大規模なシステムがある場合は、あなたはもちろん、より多くの私たちの第三のタイプ、モデル・ベースの協調フィルタリングを考慮することができ、ユーザベース協調フィルタリングを考慮することができます。
モデルに基づいて（モデルベース）協調フィルタリングは、協調フィルタリングの最も主流のタイプである、と私たちの機械学習アルゴリズムの多くもここで自分の道を見つけることができます。ここでは、モデルベースの協調フィルタリングに焦点を当てます。
3.モデルベースの協調フィルタリング
相関アルゴリズム、クラスタリング、分類アルゴリズム、回帰アルゴリズム、行列分解、ニューラルネットワーク、グラフィカルモデルと隠し対処するためのセマンティックモデル：モデルを解決するための機械学習のアイデアを、主流の方法に分けることができます
協調フィルタリングアルゴリズムを実行に関連付けられている3.1
一般的に、我々は、アイテムセットが頻繁にユーザーが購入したすべての項目の配列データは、頻繁にセットマイニングを行う住ん識別、Nサポートしきい値関連する項目を満たすために頻出アイテムセットまたはシーケンスを見つけることができます。あなたが項目のいくつかは、その後、我々は頻出アイテムセットまたはユーザーに一定の評価基準によって推奨される他の項目でシーケンスすることができ、頻繁Nアイテムセットまたはシーケンスを購入した場合、採点基準は、サポート、自信とエレベーターが含まれますように。一般的に関連する推薦アルゴリズムアプリオリ、FPツリーとPrefixSpan法
3.2クラスタリングとの協調フィルタリングアルゴリズムを行います
協調フィルタリングを行うために使用される3.3分類アルゴリズム
ロジスティック回帰やナイーブベイズアルゴリズム
協調フィルタリングを行うには3.4回帰アルゴリズム
線形回帰と決定木アルゴリズムとサポートベクターマシン
3.5協調フィルタリング行列分解を行います
逆アセンブラ（素因数分解マシン）とテンソル分解（テンソル因数分解）
3.6ニューラルネットワークを使用して協調フィルタリングを行います
CNN、RBMとRNN
3.7図と協調フィルタリングモデルを行います。
SimRank系列算法和马尔科夫模型算法
3.8用隐语义模型做协同过滤
基于NLP的，主要方法有隐性语义分析LSA和隐含狄利克雷分布LDA