推荐算法方案架构图

推荐算法的主要分类

我这边主要说基于协同过滤的算法：但是还是会简单介绍下其它的

关联规则推荐算法

首先是关联规则算法：即：Apariori以及一个对前者的补充：FP-Growth

概念我就暂时不说了，直接举例子吧

借用慕课网的一个例子：

下面一张表，列举了A、B、C、D四个用户购买商品的清单：

设置支持度为 2

支持度：Apariori算法中支持度是其重要参数，也就是说在商品每一个组合中如果它的支持度是小于2的那么这个商品的组合就不是一个频繁集，就被淘汰。还有一个至信度，暂时不考虑。

列出商品的单一组合

每个商品的购买人数都大于2，所以所有商品都保留。然后我们看下两两组合：

通过组合，看到有小于2的，代表要被淘汰，所以只留下了面包、麦片的组合。最后得到频繁项集。

然后我们来看看FP-Growth算法。

基于内容的推荐算法：

• 推荐内容相似的物品
  方法：
  
  TF-IDF算法步骤：

1. 提取关键词及其TFIDF值
2. 将共同关键词的TFIDF值的积并求和
3. 获取相似度的值

属于自然语言范围。

还有一个分类算法：

暂时点到就好了，以后如果用到的话我会写写~~

基于协同过滤的推荐算法(重点)

协同过滤算法有三种：

• 基于用户的推荐
• 基于物品的推荐
• 基于模型的推荐{SVD/SVD++模型、基于概率的矩阵分解、隐语义模型（LFM）
  
  
  
  
  
  由于SVD太过于复杂，所以提出了基于概率的矩阵分解。
  

推荐系统常见的问题：

集中在数据处理（冷启动）和算法优化上（数据稀疏）。
集中在人心的发掘（不算变化的用户爱好、不可预知的事项）。

冷启动：
用户冷启动 ->给新用户做个性化推荐
物品冷启动 ->把新物品推荐给特定的用户
系统冷启动 ->新系统让用户感受到推荐效果

• 根据用户注册信息对用户进行分类

电话号码、性别、地区

• 推荐热门排行榜单
• 基于深度学习模型推荐

解决方案：

冷启动问题解决方案：

• 文本分析
• 主题模型
• 给物品打标签
• 推荐排行榜
  
  
  
  
  好的推荐系统：

• 推荐给用户的是用户感兴趣的
• 满足所有内容都推荐给感兴趣的用户
• 能预测用户行为
• 帮助用户去发现可能感兴趣但是不容易发现的东西。

推荐系统效果评测：