推荐算法简介

一、 基于人口统计学的推荐算法

二、基于内容的推荐算法

三、 基于协同过滤的推荐算法

协同过滤(Collaborative Filtering , CF)基于近邻的系统过滤基于用户(user-CF)基于物品(item-CF)基于模型的系统过滤奇异值分解(SVD)潜在语义分析(LSA)支撑向量机(SVM)

四、 协同过滤(CF)过滤推荐方法

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方法还可以利用其它用户评分过的物品的内容CF可以解决CB的一些局限物品内容不完全或者难以获得时， 依然可以通过其它用户的反馈推荐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CF推荐不收内容限制，只要其它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(单有某种内在关系)分为两类：基于近邻和基于模型

五、 基于用户的协同过滤

六、 基于物品的协同过滤

七、 混合推荐

实际网站的推荐系统往往都不是单纯只采用的某一种推荐的机制和策略，往往是将多个方法混合在一起，从而达到更好的推荐效果。比较流行的组合方法有：加权混合：将几种不同的推荐按照一定的权重组合起来，具体的权重的值需要在测试数据集上反复试验，从而达到最好的推荐效果切换混合：允许在不同的情况(数据量、系统运行情况、用户和物品的数目等)选择最为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一个的输入，从而给各个推荐机制的优缺点，得到更加准确的数据。