数据推荐算法

推荐系统更多是基于用户和商品建立的数学模型关联性，主要目的是给用户推荐他们感兴趣的商品。推荐系统最核心部分就是推荐算法。推荐算法不仅仅用在电子商务领域，还有社交网络、电影视频、广告以及文章阅读等等。

1、推荐算法的发展目标

（1）方便用户找到自己喜欢的商品或者是电影等；

（2）加强对用户的了解，提供个性化定制服务；

（3）降低信息过载问题；

（4）提高网站展示和点击率

2、协同过滤推荐

协同过滤是基于行为数据分析的算法统称，是目前较为著名的数据推荐方式。系统过滤算法是一个复合算法，它的实现依赖于其他算法的支撑。

3、基于用户的协同过滤（User-Based）：

（1）思想：以用户的历史行为作为基础，挖掘出用户的特征行为，平且找出与其具有相同特征行为的用户作为一个集合，根据该集合中其他用户的行为（即其他用户喜欢的商品）推荐给该用户。

（2）优点：

（3）缺点：计算量较大，适合离线数据分析；

4、基于商品的协同过滤（Item-Based）：

（1）思想：通过用户购买的商品本身的属性，找到与商品相似度较高的商品，最为推荐商品。可以与Apriopri算法和FP-geowth算法结合使用。为了避免过拟合现象，使用Slope One算法来实现Item-Based。Slope One采用的是最简单的一种回归表达式f(x)=x+b，其中，b表示两个产品的平均值。例如三位消费者对三种产品的评分如下:

消费者	产品A	产品B	产品C
甲	2	3	4
乙	3	5	未评价
丙	未评价	3	5

a、丙对产品A的评价计算：3-（3-2）/2+（5-3）/2=1.5；

b、乙对产品C的评价计算：5+(5-3)/2+(4-3)/2=6.5

（2）优点：便于实现和维护；实时性强；对购买产品较少的消费者推荐效果相对较好；

基于Slope One算法还衍生出来Weighteed Slope One算法和Bi-Polar Slope One算法。

Weighteed Slope One算法：在进行评分计算过程中纳入了权重的考虑机制，将用户和产品的矩阵进行了有效的填充，降低了数据的稀疏问题；

Bi-Polar Slope One算法：对于用户已经评过分的产品，将其划分为两个类别，正类别和负类别，在对当前用户进行比较时，将二者考虑到其中

4、基于潜在因子算法的推荐

通过历史行为挖掘出用户的本身特征，以及分析现有商的本质特征进行的推荐。