基于协同过滤的推荐算法

前言

之前写来基于内容的推荐方法,现在想要分析一下基于协同过滤的推荐方法,网上与很多文章介绍来,但是站在不同的角度思考同一个问题,或许让你更加理解。

基于协同过滤的推荐:概念

协同过滤(Collaborative Filtering)技术,是推荐系统中应用最为广泛的技术之一,它基于一组兴趣相同的用户进行推荐。协同过滤基于这样的假设:为用户找到他真正感兴趣的内容的好方法是,首先找他与他兴趣相似的用户,然后将这些用户感兴趣的内容推荐给此用户。类似朋友们推荐,毕竟生活场景下大家都会向朋友咨询,而得到朋友的推荐,协同过滤就是朋友,它来帮你推荐。

wiki上的定义则是:协同过滤(英语:Collaborative Filtering),简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯,个人透过合作的机制给予资讯相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选资讯,回应不一定局限于特别感兴趣的,特别不感兴趣资讯的纪录也相当重要。

协同过滤技术可以分为三类:基于用户(User-based)的协同过滤;基于项目(Item-based)的协同过滤;基于模型(Model- based)的协同过滤。

不同点

如果你要问我跟基于内容有什么区别?我可能就会想到是角度不一样,一个是基于商品来推荐,协同是基于用户来推荐。

  • 基于内容的推荐,主要构建内容特征,不需要用户特征,需要一个关联关系:用户与内容的关联,包括用户浏览、购买内容的关联关系。一个商品被用户购买、收藏、浏览等行为,会让我们推荐该商品相似的其他商品给用户。
  • 协同过滤:利用用户人口统计特征、商品特征一起构建特征,这个特征可以是放到用户侧或者内容侧,然后计算相似度,把一个用户购买、浏览的商品推荐给他相似的用户。如果是单纯的基于用户推荐可能不会关注商品特征,直接拿人口统计特征来构建用户特征。这里的协同应该是共同的意思,用户、内容共同起作用。

协同过滤有那些方法

参考很多博客种,大家都提到的协同过滤有3种:

  • 基于用户的协同过滤
    基于用户其实就是构建用户特征,内容特征也要融入用户特征,计算用户与用户之间的相似度,得到用户的相邻用户,从而开始推荐其他用户有兴趣的内容。

  • 基于项目的协同过滤
    基于项目其实就是构建内容特征,这里的项目就是内容,用户特征要融入内容特征,计算

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值