協同過濾

最經典的推薦算法

牽涉用戶商品的交互信息,用戶行為等

顯性反饋行為——喜好,打分,評論

隱形反饋行為——點擊,瀏覽

UserCF

基于假設:喜歡類似物品的用戶可能有相同或相似的口味和偏好

步驟:

1,找到與目標用戶興趣相似的群體

?設兩用戶喜好的商品集合為N(U),N(V),則興趣相似度Wu,v=N(u) 交N(v)/N(u)并N(v)

2.找到用戶V喜歡的,而用戶U沒有聽說過的商品

UserCF需提供K,表示要考慮目標用戶興趣最相似的前K個人,K不宜過大,否則會趨向于熱門商品

ItemCF

基于假設:能夠引起用戶興趣的商品,必定與其之該用戶喜歡的商品相似(某些物品被同一用戶喜歡,這些物品可能相似)

步驟:

1.通過用戶對商品的行為來計算商品之間的相似度

2.根據商品的相似度和用戶的歷史行為,給用戶生成推薦列表

計算中需對過熱商品進行懲罰

UserCF vs ItemCF

UserCF偏重于反應用戶小群體熱點,更具社會性,而ItemCF在于維持用戶的歷史興趣

UserCF(人以群分)-一般只推薦熱門

ItemCF(興趣養成)-推薦長尾能力強(多樣性不足,能推薦冷門)

基于模型的CF

使用機器學習方式,基于樣本的用戶喜好,訓練出一個推薦模型(分類)

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容