推荐系统的策略
content filtering(内容过滤)
原理
用户档案:描述用户的属性(个人喜好,特征)
产品档案:描述产品的特征
利用用户档案与产品档案将用户与产品联系起来,求出用户对某个产品的喜爱程度
collaborative filtering(协同过滤)
协同过滤利用历史的记录来进行推荐
-
优点: domain free(不需要领域知识)
-
缺点: 冷启动(新用户,新项目这种没有评分的情况)
两个方法
-
neighborhood methods(邻居法)
-
latent factor model(隐语义模型)
邻居法: 找出与某个用户最相似的用户, 然后按相似用户的喜爱的项目进行推荐
隐语义模型: 尝试利用对用户与产品的描述来解释用户的评分
矩阵分解(Matrix Factorization Methods)
隐语义最成功的一个实现是矩阵分解
矩阵分解将每一个产品与每一个用户描述成一系列的因子(语义),产品与用户的因子高度吻合即可成为一个推荐
数据源
显示反馈: 用户直接给的评分
隐式反馈: 通过用户的行为记录,个人信息,购买记录给相应的产品进行打分
本文深入探讨了推荐系统中的两种核心策略——内容过滤与协同过滤。内容过滤通过用户档案与产品档案匹配,预测用户偏好;协同过滤则基于用户历史行为推荐相似用户喜欢的内容。文中还详细介绍了矩阵分解、邻居法与隐语义模型等技术,以及如何通过显示反馈与隐式反馈进行评分。
1万+

被折叠的 条评论
为什么被折叠?



