【机器学习】推荐系统推荐算法综述

1.推荐系统：

        推荐系统的目的就是为了让用户更快更好的获取到自己需要的内容。

        推荐算法应用场景：

应用场景.png

        推荐系统基本思想：

• 利用用户和物品的特征信息，给用户推荐那些具有用户喜欢的特征的物品。
• 利用用户喜欢过的物品，给用户推荐与他喜欢过物品的相似物品。
• 利用和用户相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。

        推荐系统数据分析：

• 要推荐物品或者内容的元数据，例如：关键字、分类标签、基因描述等
• 系统用户的基本信息，例如：性别、年龄、兴趣标签等

• 用户的行为数据，可以专转化为对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。这些用户偏好信息可以被分为两类：

  • 显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显示提供反馈信息，例如用户对商品进行评分，或者对物品进行评论等。
  • 隐式的用户反馈：这类是用户在使用网站过程中产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品信息等等。

Snipaste_2024-01-14_17-10-55.png

2.推荐算法综述：

• 基于人口统计学推荐算法：

• 基于内容的推荐算法：

• 基于协同过滤的推荐算法：

        协同过滤（Collaborative Filtering，CF）

        基于近邻的协同过滤：基于用户（User-CF）、基于物品（Item-CF）

        基于模型的协同过滤：奇异值分解（SVD）、潜在语义分析（LSA）、支撑向量机（SVM）

        基于内容（Content Base，CB）主要利用的是用户评价过的物品的内容特征，而CF方法还可以利用其他用户评分过的物品内容。
CF 可以解决一些 CB 的局限：

1. 物品内容不完全或者难以获得时，依然可以通过其他用户反馈给出推荐。
2. 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。
3. 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）

        基于用户的协同过滤

        基于物品的协同过滤

• 混合推荐算法：

        实际网站的推荐系统往往都不会采用单一的推荐机制和策略，一般使用多个方法混合在一起，从而实现更好的推荐效果。

        加权混合：用线性公式（liner formula）将几种不同的推荐按照一定的权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果。

        切换混合：切换的混合方式，就是在允许不同情况（数据量、系统运行状态、用户和物品数量等）选择最合适的推荐机制计算推荐。

        分区混合：采用多种推荐机制，并将不同的推荐结果分为不同的区显示给用户。

        分层混合：采用多种推荐机制，并将一个推荐机制的结果作为另外一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。