初识推荐算法---算法背景、算法概念介绍、推荐信息选取、常用推荐算法简介
初识推荐算法
- 算法背景
- 推荐系统的基本概念
- 哪些信息可以用于推荐
- 常用的推荐系统算法
算法背景
推荐系统是根据用户的浏览习惯，确定用户的兴趣，通过发掘用户的行为，将合适的信息推荐给用户，满足用户的个性化需求，帮助用户找到对他胃口但是不易找到的信息或商品。
推荐系统在互联网和传统行业中都有着大量的应用。在互联网行业，几乎所有的互联网平台都应用了推荐系统，如资讯新闻/影视剧/知识社区的内容推荐、电商平台的商品推荐等；在传统行业中，有些用于企业的营销环节，如银行的金融产品推荐、保险公司的保险产品推荐等。根据QM报告，以推荐系统技术为核心的短视频行业在2019年的用户规模已超8.2亿，市场规模达2千亿，由此可见这项技术在现代社会的经济价值。
推荐系统的基本概念
构建推荐系统本质上是要解决“5w”的问题。如下图示例，当用户在晚间休闲，上网阅读小说时，在阅读的军事小说下方，向他推荐三国志游戏，并给出推荐理由“纸上谈兵不如亲身实践”。
这是一个较好的推荐案例，很多军迷用户会下载游戏试玩。但反之，如果在用户白天开会投屏时，弹出提示框向用户推荐“巴厘岛旅游”，会给在场的同事留下不认真工作的印象，用户也会非常的恼火。可见，除了向谁（Who）推荐什么（What）之外，承载推荐的产品形式（Where）和推荐时机（When）也非常重要。
另外给出推荐理由（Why）会对推荐效果产生帮助吗？ 答案是肯定的。心理学家艾伦·兰格做过一个“合理化行为”的实验，发现在提供行动理由的情况下，更容易说服人们采取行动，因为人们会认为自己是“合乎逻辑”的人。
艾伦设计了排队打印的场景，一个实验者想要插队，通过不同的请求方式，观测插队成功的概率。他做了三组实验：
第一组：请求话术“打搅了，我有5页资料要复印，能否让我先来？”，有60%的成功概率。
第二组：请求话术中加入合理的理由“因为……（如赶时间）”，成功率上升到94%。
第三组：请求话术变成无厘头的理由“我能先用下复印机吗？因为我有东西要印。”，成功率仅略有下降，达到93%。
由此可见，哪怕我们提供一个不太靠谱的推荐理由，用户接受推荐的概率都会大大提高。
虽然完整的推荐系统需要考虑“5w”问题，但向谁（who）推荐什么(what)是问题的核心。所以，初识介算法的话，就介绍一个解决这两个核心问题的推荐系统吧。
使用的数据和推荐任务如下图所示，已知用户对部分内容的评分（偏好），推测他们对未评分内容的评分，并据此进行推荐。
哪些信息可以用于推荐
图中蕴含的数据可以分为三种：
- 每个用户的不同特征，如性别、年龄；
- 物品的各种描述属性，如品牌、品类；
- 用户对部分物品的兴趣表达，即用户与物品的关联数据，如历史上的评分、评价、点击行为和购买行为。
结合这三种信息可以形成类似“女性A 喜欢 LV包”这样的表达。
基于3的关联信息，人们设计了“协同过滤的推荐算法”。
基于2的内容信息，设计出“基于内容的推荐算法”。
现在的推荐系统普遍同时利用这三种信息，下面我们就来看看这些方法的原理。
常用的推荐系统算法
常用的推荐系统算法实现方案有三种：
协同过滤推荐（Collaborative Filtering Recommendation）：该算法的核心是分析用户的兴趣和行为，利用共同行为习惯的群体有相似喜好的原则，推荐用户感兴趣的信息。兴趣有高有低，算法会根据用户对信息的反馈（如评分）进行排序，这种方式在学术上称为协同过滤。协同过滤算法是经典的推荐算法，经典意味着简单、好用。协同过滤算法又可以简单分为两种：
a)基于用户的协同过滤：根据用户的历史喜好分析出相似兴趣的人，然后给用户推荐其他人喜欢的物品。假如小李，小张对物品A、B都给了十分好评，那么可以认为小李、小张具有相似的兴趣爱好，如果小李给物品C十分好评，那么可以把C推荐给小张，可简单理解为“人以类聚”。
b)基于物品的协同过滤：根据用户的历史喜好分析出相似物品，然后给用户推荐同类物品。比如小李对物品A、B、C给了十分好评，小王对物品A、C给了十分好评，从这些用户的喜好中分析出喜欢A的人都喜欢C，物品A、C是相似的，如果小张给了A好评，那么可以把C也推荐给小张，可简单理解为“物以群分”。基于内容过滤推荐（Content-based Filtering Recommendation）：基于内容的过滤是信息检索领域的重要研究内容，是更为简单直接的算法，该算法的核心是衡量出两个物品的相似度。首先对物品或内容的特征作出描述，发现其相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。比如，小张对物品A感兴趣，而物品A和物品C是同类物品，可以把物品C也推荐给小张。
组合推荐（Hybrid Recommendation）：以上算法各有优缺点，比如基于内容的过滤推荐是基于物品建模，在系统启动初期往往有较好的推荐效果，但是没有考虑用户群体的关联属性；协同过滤推荐考虑了用户群体喜好信息，可以推荐内容上不相似的新物品，发现用户潜在的兴趣偏好，但是这依赖于足够多且准确的用户历史信息。所以，实际应用中往往不只采用某一种推荐方法，而是通过一定的组合方法将多个算法混合在一起，以实现更好的推荐效果，比如加权混合、分层混合等。具体选择哪种方式和应用场景有很大关系。
初识推荐算法---算法背景、算法概念介绍、推荐信息选取、常用推荐算法简介相关推荐
- AI：人工智能实践六大场景(金融信用违约、反欺诈模型、客户偏好洞察、智能推荐、精准营销、客户流失管理)及其对应常用机器学习算法经验总结(不断更新)
AI:人工智能实践六大场景(金融信用违约.反欺诈模型.客户偏好洞察.智能推荐.精准营销.客户流失管理)及其对应常用机器学习算法经验总结(不断更新) 目录
- 【会话推荐】ICDM论文：探索跨会话信息感知的推荐模型
会话推荐是推荐领域的一个子分支, 美团平台增长技术部也在该领域不断地进行探索.不久前,该部门提出的跨会话信息感知的时间卷积神经网络模型CA-TCN被国际会议ICDM NeuRec Workshop ...
- 深度学习算法训练和部署流程介绍--让初学者一篇文章理解算法训练和部署流程
目录 1 什么是深度学习算法 2 算法训练 2.1 训练的原理 2.2 名词解释 3 算法C++部署 3.1 嵌入式终端板子部署 3.3.1 tpu npu推理 3.3.2 cpu推理 3.2 服务 ...
- 详细介绍用MATLAB实现基于A*算法的路径规划（附完整的代码，代码逐行进行解释）（一）--------A*算法简介和环境的创建
本系列文章主要介绍基于A*算法的路径规划的实现,并使用MATLAB进行仿真演示.本文作为本系列的第一篇文章主要介绍如何进行环境的创建,还有一定要记得读前言!!! 本系列文章链接: ------- ...
- 技术分享 | 嵌入式常用滤波算法的matlab实现
随着基于模型设计的广泛应用,模型在环仿真也逐渐多了起来,我们今天介绍几种嵌入式常用滤波算法的matlab实现. 一.采用数字滤波算法克服随机干扰的误差具有以下优点: 数字滤波无需其他的硬件成本,只用一 ...
- 想要挑战高薪，不懂算法怎么能行？？10 大常用机器学习算法
点击上方"java大数据修炼之道",选择"设为星标" 优质文章和精品资源, 第一时间送达 来源:机器之心 作者:garvitanand2 参与:Geek ...
- 【图像处理】 常用边缘检测算法对比分析
文章目录一瞥 边缘的定义 边缘检测的基本方法 图像滤波 图像增强 图像检测 图像定位 常见边缘检测算子分析 1) 差分边缘检测 2)Reborts算子 3)Sobel算子 4)Prewitt 算子 非 ...
- 用c语言编写插入排序算法,C语言实现常用排序算法——插入排序
插入排序是最基础的排序算法,原理: 首先1个元素肯定是有序的,所以插入排序从第二个元素开始遍历: 内循环首先请求一个空间保存待插入元素,从当前元素向数组起始位置反向遍历: 当发现有大于待插入元素的元素 ...
- 基于推荐算法的电影系统——理论介绍（1）
效果预览 本项目目的是从猫眼读取数据,搭建一个电影网站,向用户推荐可能感兴趣电影. Web管理员后端界面展示 电影推荐系统--用户界面展示 本章首先介绍完成这样一个系统需要哪些理论知识. 1. Web ...
最新文章
- JS如何判断json是否为空
- RXJAVA之变换操作
- 02HTML标签(下)
- 在CSS3中，可以利用transform功能来实现文字或图像的旋转、缩放、倾斜、移动这四种类型的变形处理...
- Hadoop2常用Shell命令
- 七招从办公室政治中取胜 发表于 09 May 2008 ? 领导力培养
- Intel Realsense 处理帧时报错：RuntimeError: null pointer passed for argument frame_ref
- 如何在Win10上配置JDK1.8
- 侯捷畅谈技术人生与读书感悟
- 《结网》《人人都是产品经理》对比
- 英语知识点整理day03
- IMO模型编程思维法(Input-Model-Output)
- pip install deepforest 失败
- Python——全国二级等级考试
- HTML5：移动互联网的第二个苹
- “鸡血驱动”为CS:GO、LOL注入“强心剂”！英特尔锐炫A750显卡实测
- Arduino的密码锁
- UTXO：未使用的交易输出
- PIP生存记 | 10%强制淘汰率? Amazon好进，不好混。
- matlab计算涡度的函数_涡度的计算