推荐算法简述

推荐算法分类

非个性化推荐

• 热门榜单
• 最多观看

热点检测：让全局优秀内容被大家看到

• 数据：一段时间内的浏览量、点赞量、评论数、转发数
• 时效：推荐需要考虑时间维度。因为有些内容已经热了很久了，可能因为马太效应（强者越强、弱者越弱），放到热门栏目继续推荐继续热不是我们先要的，所以要增加时间惩罚因子。
• 新内容的发现：建立预测模型，通过内容的历史数据，预测未来的内容热度。

个性化推荐

基于内容的推荐算法

原理：根据电影的内容（类型、主演）去推荐。

优点：

• 避免Item的冷启动问题（较少关注的Item如果内容趋近就会推荐）

缺点：

• 推荐的Item可能重复
• 很难提取内容特征

协同过滤推荐算法

原理：用户喜欢相似用户喜欢的商品

• 基于用户
• 基于Item
• Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization

基于知识的推荐算法

基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。