推薦系統的常用演算法

推薦系統的任務就是，聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展現在對他感興趣的人群中，從而實現資訊提供商與使用者的雙贏。

1 基於人口統計學的推薦

根據系統使用者的基本資訊發現使用者的相關程度，然後將相似使用者喜愛的其他物品推薦給當前使用者。

2 基於內容的推薦

與上面的方法相類似，只不過這次的中心轉到了物品本身。使用物品本身的相似度而不是使用者的相似度。

3 協同過濾

(collaborative filtering, 簡稱 cf)

三個步驟：

收集資料——找到相似使用者和物品——進行推薦

收集資料

找到相似使用者和物品

計算使用者間以及物品間的相似度。

進行推薦

在協同過濾中，有兩種主流方法：基於使用者的協同過濾，和基於物品的協同過濾。

基於使用者的 cf ：

下圖給出了乙個例子，對於使用者 a，根據使用者的歷史偏好，這裡只計算得到乙個鄰居 - 使用者 c，然後將使用者 c 喜歡的物品 d 推薦給使用者 a。

基於物品的 cf ：下圖

區別：基於使用者的協同過濾——基於人口統計學的推薦

它們所不同的是如何計算使用者的相似度，基於人口統計學的機制只考慮使用者本身的特徵，而基於使用者的協同過濾機制可是在使用者的歷史偏好的資料上計算使用者的相似度。

基於物品的協同過濾——基於內容的推薦

相似度計算的方法不一樣，前者是從使用者歷史的偏好推斷，而後者是基於物品本身的屬性特徵資訊。