推荐算法概述

大数据时代信息繁多冗杂，快速获得想要信息不仅有利于用户体验，也有利于平台用户运营。92年已被提出的推荐算法，在此背景下得到广泛应用。

1为什么需要推荐？

随着互联网发展，各类信息越来越多，如何进行有效的信息获取及展示成为用户和平台共同关注的问题，而有效的推荐可帮我们进行信息过滤，成为解决这项问题的重要手段。

2哪里有推荐？

推荐其实已经应用在我们生活的各个领域中。

比如微博中的榜单，就是将热门的东西推荐给用户，让用户可以快速关注到当前热点信息。

音乐播放器的推荐，就是根据用户历史的行为偏好，找到用户潜在喜欢的歌曲并进行推荐。

包括我们在电商平台购物时，每位用户的首页展示都会不一样，也是根据用户偏好和推荐算法，实现的千人千面。

3推荐算法有哪些？

推荐算法就是根据一定的规则，得到根据用户喜欢程度进行排列的推荐列表。除了根据热度进行推荐，目前主要的推荐算法有如下几种?

a. 协同过滤

协同过滤(Collaborative Filtering, CF)是最常用和经典的推荐算法，基本原理就是根据用户的历史偏好，发现用户、物品或者内容间的相关性，进行推荐。协同过滤可细分为基于用户、基于物品的推荐算法。

通过用户对物品的偏好找到与该用户相似的用户，将相似用户喜欢的物品推荐给当前用户。比如下方数据记录了4名用户对5种商品的购买行为，用户A和用户C都购买了牛奶和面包，相似度最高，因此将用户D购买过的果酱推荐给用户A。

适用范围：物品比用户多。

优点：能实现跨领域的结果，并且惊喜度高，能发现用户潜在兴趣。

缺点：很多时候用户间的共同行为较少，难以形成有意义的邻居集合，且用户间距离可能变化很快，不适合线上实时计算。

基于物品的推荐算法尤其在电商行业应用最为广泛，他通过用户对物品的偏好找到相似物品，为用户推荐相似物品。根据下图记录，购买面包的用户都会购买果酱，所以面包和果酱有较高相似度，因此对买了面包的用户D推荐果酱。

适用范围：用户比物品多。

优点：推荐精度高，倾向于推荐同类商品，且物品间距离一段时间内稳定，能较快得出在线结果。

缺点：物品冷启动、数据稀疏时，效果较差。

通过机器学习的方法预测用户对商品的喜好程度。常规的应用在推荐中的机器学习方法包括关联分析、聚类算法、回归算法、分类算法等，随着神经网络的研究和发展，基于神经网络的推荐算法也日渐火爆。神经协调过滤为例，是根据隐性反馈来推断用户的偏好值，可以很好的提升模型泛化能力，流程如下图所示。

适用范围：数据较为稀疏。

优点：很好的支持发现用户潜在偏好。

b. 基于内容的推荐

指根据物品的便签属性，推荐有相似标签的物品。如下夏洛特烦恼和人在囧途都是喜剧，那么基于内容的推荐就会给看过夏洛特烦恼的用户B推荐人在囧途。

适用范围：不能根据评分或名称，需要根据物品本质进行推荐。

优点：最直观，不受冷启动问题限制。

缺点：推荐精度较差，结果惊喜度不足。