推荐算法的几种经典算法

基于人口统计学的推荐

系统首先会根据用户的属性建模，如年龄，性别，兴趣等信息。根据这些特征计算用户间的相似度。若系统通过计算发现用户A和C比较相 似。就会把A喜欢的物品推荐给C
优势：

  • 不需要历史数据，没有冷启动问题
  • 不依赖于物品的属性，因此其他领域的问题都可无缝接入。
    不足： 算法比较粗糙，效果很难令人满意，只适合简单的推荐。

协同过滤推荐

分为基于用户的协同过滤User-Based CF和基于项的协同过滤 Item-based CF
基于用户的算法适用于item更新频繁的应用。
如，老张喜欢看的书有A，B，C，D；老王喜欢看的书有A，B，C，E。通过这些数据我们可以判断老张和老王的口味略相似，于是给老张推荐E这本书，同时给老王推荐D这本书
基于项的算法适用于item的增长速度远小于user的增长速度的情况。
—如，我们发现喜欢看《从一到无穷大》的人大都喜欢看《什么是数学》，那么如果你刚津津有味地看完《从一到无穷大》，我们就可以立马给你推荐《什么是数学》

基于内容的推荐

基于关联规则的推荐

基于效用的推荐

基于知识的推荐

混合推荐