【深度学习基础知识 - 51】推荐算法概述

以前在网上查找资料需要进入网站之后分门别类的点进去，在一个个子类别下找到自己想要的东西，这是用户人工查找的过程。到后来的谷歌百度，可以直接搜索自己想要的内容，搜索网站就会把和你搜索目标相匹配的内容展示出来。

但是在某些情况下，如在找想看的电影时，用户并不知道自己想要看的电影具体是什么，这个时候推荐算法就派上用场了。

---

在任何情况下都不能无中生有给用户推荐内容，常见的参照为：

1. 根据和该用户有共同喜好的人来推荐。
2. 根据你喜欢的物品找出相似的来推荐
3. 根据你给出的关键字来推荐，不过这类似于搜索算法。
4. 根据上面几种条件的组合来推荐。

常见的推荐算法：

1. 基于流行度的推荐算法：主要是堆热点商品或信息的推荐
2. 基于内容的推荐算法：它的主要思想是根据推荐物品或内容的元数据，发现与其相关的内容或物品。比如看过哈利波特1，就会推荐哈利波特2等。这种方法易于实现。
3. 基于关联规则的推荐算法，具体意义为：购买了一些物品的用户更倾向于买另一些物品。这是由于两者之间存在某些关联，而这些相关的内容都可以相互推荐。
4. 基于协同过滤的推荐算法：喜欢相同物品的用于可能有相同的兴趣，可以细分为基于用户据的推荐和基于物品的推荐。
5. 基于模型的推荐算法：主要是使用机器学习算法对目标用户建立推荐算法模型，然后对预测的结果进行打分，当然其中也需要一些人为干预，这会使得模型的结果更好。
6. 混合推荐算法：实际应用中单一的推荐算法难以满足推荐任务的需求，所以更多情况下可能需要结合多种推荐算法来实现推荐任务，即多种推荐算法的融合。

博主会持续更新一些深度学习相关的基础知识以及工作中遇到的问题和感悟，喜欢请关注、点赞、收藏。