一、推荐系统

【维基百科】推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。

推荐系统近年来非常流行，应用于各行各业。推荐的对象包括：电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。也有一些推荐系统专门为寻找专家、合作者、笑话、餐厅、美食、金融服务、生命保险、网络交友，以及Twitter页面设计。

很多时候简单粗暴的方式往往也是行之有效的：“如果你不知道该推荐什么，那么推荐大家都喜欢的准没错“。像热门榜单、最多观看排行榜等都属于这个问题。

TopN的问题前面已经做过了介绍，本文的侧重点在于，不同的人对于“好”的理解不一样，换句话说也就是偏好不同，所以需要为不同用户推荐他自己感兴趣的内容，即个性化推荐。

个性化推荐的两个主要思想八个字概括之：物以类聚、人以群分。主要的方法及变种应该有很多，像协同过滤、基于内容的推荐、基于标签的推荐等等。

二、个性化推荐算法起源

个性化推荐概念的首次出现是在1995年3月的美国人工智能协会上，由卡耐基梅隆大学的 Robert Armstrong等提出了个性化导航系统 Web Watcher。同时，斯坦福大学的Marko balabanovic等也推出了LIRA——一个个性化推荐系统。自此之后，个性化推荐的研究开始蓬勃发展。

推荐算法的研究起源于20世纪90年代，由美国明尼苏达大学 GroupLens研究小组最先开始研究，他们想要制作一个名为 Movielens的电影推荐系统，从而实现对用户进行电影的个性化推荐。首先研究小组让用户对自己看过的电影进行评分，然后小组对用户评价的结果进行分析，并预测出用户对并未看过的电影的兴趣度，从而向他们推荐从未看过并可能感兴趣的电影。此后， Amazon开始在网站上使用推荐系统，在实际中对用户的浏览购买行为进行分析，尝试对曾经浏览或购买商品的用户进行个性化推荐。根据 enture Beat的统计，这一举措将该网站的销售额提高了35%自此之后，个性化推荐的应用越来越广泛。

三、个性化推荐算法分类

个性化推荐相较于非个性化推荐，即推荐的内容是因人而异的。

推荐算法有很多种，包含基于内容、协同过滤、基于关联规则、基于效用、基于知识、组合推荐等。我们重点说一下前两种。

1.基于内容的推荐算法

原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果你看了一则关于MH370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些Item打标签。

2.协同过滤算法

原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-based collaboratIve filtering），还有一种是基于Item的协同过滤算法（item-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-based Collaborative Filtering，另一种则是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。

3.主要推荐方法优缺点

推荐方法

优点

缺点

基于内容推荐

推荐结果直观，容易解释；

不需要领域知识

新用户问题；

复杂属性不好处理；

要有足够数据构造分类器

协同过滤推荐

新异兴趣发现、不需要领域知识；

随着时间推移性能提高；

推荐个性化、自动化程度高；

能处理复杂的非结构化对象

稀疏问题；

可扩展性问题；

新用户问题；

质量取决于历史数据集；

系统开始时推荐质量差；

基于规则推荐

能发现新兴趣点；

不要领域知识

规则抽取难、耗时；

产品名同义性问题；

个性化程度低；

基于效用推荐

无冷开始和稀疏问题；

对用户偏好变化敏感；

能考虑非产品特性

用户必须输入效用函数；

推荐是静态的，灵活性差；

属性重叠问题；

基于知识推荐

能把用户需求映射到产品上；

能考虑非产品属性

知识难获得；

推荐是静态的

四、推荐算法的应用

推荐算法已经应用到了各个领域的网站中，包括图书、音乐、视频、新闻、电影、地图等等。而电子商务的应用近年来逐渐普及，Amazon，当当网，豆瓣图书，淘宝，京东等都使用了电子商务推荐系统，推荐系统不止给这些互联网商家带来了巨大的附加利益，同时也提高了用户满意度，增加了用户黏性。

而最高深的推荐境界是：千人千面。据说微信看一看中的“精选”就会为每个人推荐不同的内容，大家可以关注下。

我的微信公众号：架构真经（id：gentoo666），分享Java干货，高并发编程，热门技术教程，微服务及分布式技术，架构设计，区块链技术，人工智能，大数据，Java面试题，以及前沿热门资讯等。每日更新哦！

参考阅读：

https://www.zhihu.com/question/20326697
https://zhuanlan.zhihu.com/p/27768663
https://baike.baidu.com/item/推荐算法

算法高级（41）-推荐算法实现相关推荐

fm算法详解_fm算法(基于fm推荐算法)
在简单频率调制中,两个振荡器都只用正弦曲线(Sinusoidal)的波形.不过,由于. 这使得作曲家也不必用频谱过于复杂的波形完成FM合成.事实上,如用一个频谱成分. 豆瓣FM的推荐算法没有停止,反而 ...
mahout 推荐算法 java_Mahout之推荐算法基本实例
Mahout中主要核心的三大算法为推荐,聚类及分类算法,今天就最基本的推荐算法做总结,推荐中常用的两个推荐算法是"user_based"和"item_based" ...
推荐系统 --- 推荐算法 --- 基于知识的推荐算法
基于知识的推荐方法基本思想通过交互.会话等方式直接了解到用户需求("问"),然后再寻找匹配的视频("找") 解决思路优点不存在冷启动的问题由于与用户存 ...
基于神经网络的推荐算法,协同过滤推荐算法python
大数据运维的主要工作内容是什么? . 大数据相关工作岗位很多,有大数据分析师.大数据挖掘算法工程师.大数据研发工程师.数据产品经理.大数据可视化工程师.大数据爬虫工程师.大数据运营专员.大数据架构师. ...
基于土壤数据与机器学习算法的农作物推荐算法代码实现
1.摘要近年来,机器学习方法在农业领域的应用取得巨大成功,广泛应用于科学施肥.产量预测和经济效益预估等领域.根据土壤信息进行数据挖掘,并在此基础上提出区域性作物的种植建议,不仅可以促进农作物生长从 ...
fm算法 c语言,推荐算法之—FM
1.什么是FM算法 FM即Factor Machine,因子分解机 2.为什么需要FM 1).特征组合是许多机器学习建模过程中遇到的问题,如果对特征直接建模,很有可能忽略掉特征与特征之间的关联信息,一 ...
基于高校图书馆的用户画像、可视化、模型预测、推荐算法项目实现
需要本项目的可以私信博主获取源码及项目!!! 本研究基于高校图书馆的借阅信息.馆藏图书信息.读者入馆信息.用户信息等多维度的数据表,首先将不同年份的数据拼接在一起,按照时间维度进行整合,并保证数据维度 ...
有粉丝想转行推荐算法，我觉得......
最近公众号后台收到一个读者的留言,他在某手机厂商做CV开发工作,想转行推荐系统,让我拿拿主意. 从前途角度考虑,我是非常建议的. 1 大厂必备核心--推荐系统从商业角度来讲,互联网主要起到平台作用, ...
基于矩阵分解的推荐算法
https://www.toutiao.com/a6656899746516435469/ 2019-02-12 08:10:52 1.算法介绍在推荐算法中,主要解决的问题是找到用户对物品的偏好得分 ...

算法高级（41）-推荐算法实现