1、推薦系統簡介
個性化推薦是根據用戶的興趣特點和購買行爲,向用戶推薦用戶感興趣的信息和商品。
推薦系統主要處理的有兩類內容:一個是User,一個是Item。系統的目標也很明確,就是向User推薦Item。
應用了推薦系統的例子有很多,比如:知名的電商:Amazon,全球有名的在線影片租賃商:Netflix,國內的新聞應用:今日頭條。
2、推薦系統分類
2.1基於內容的推薦(Content-based Recommendation)
基於內容的推薦系統的核心思想是挖掘被推薦對象的信息。基於內容的推薦算法的前提假設是:如果用戶喜歡物品a,那麼用戶也應該會喜歡與a類似的物品。由於筆者的目的是側重於介紹協同過濾推薦算法,所以對基於內容的推薦算法舉個簡單的例子一帶而過:
假設一首歌有:名稱、歌手、風格、作曲人這4個屬性。如果用戶Alice對Michael 的歌曲Beat It評分很高,那麼系統會分析Beat It這首歌的屬性,隨後系統就可能會向Alice推薦Michael的歌曲Dangerous,因爲Dangerous與Beat It有很多共同之處:歌手都是Michael,風格都是搖滾。
總的來講,基於內容的推薦,利用的是被推薦對象自身的屬性信息,利用這些信息來聚類,例如將衆多的歌曲按風格聚類,得到藍調風格的歌曲集合、搖滾風格的集合、田園風格的集合等等,當用戶表示喜歡某一首歌曲時,系統會分析這個歌曲屬於哪個風格,如果這個歌曲屬於搖滾風格,那麼系統就會從搖滾風格的集合中挑選出一些歌曲,將其推薦給用戶。當然,這只是一種思路,實際的基於內容的推薦比我描述的要更復雜更詳細,有興趣的朋友可以深入研究一下,我以後有空也會把基於內容的推薦算法做一個詳細介紹。
2.2協同過濾推薦 (Collaborative Filtering Recommendation)
All About That Bass | Shake It Off | Black Widow | Habits | Bang Bang | Don't Tell 'Em | Animals | |
Alice | 4 | 5 | 1 | ||||
Bob | 5 | 5 | 4 | 4 | 2 | ||
John | 2 | 1 | 5 | 4 | |||
David | 3 | 3 |
將第二步得到的一些Alice從未聽過的音樂的預測分值進行排序,選擇前10個分值最高的音樂推薦給Alice,大功告成!
由於是初次結束推薦算法,所以文中難免有錯誤,歡迎大家指正~我也會再抽時間更新一些關於推薦算法的文章~