推薦算法概述

大數據時代信息繁多冗雜，快速獲得想要信息不僅有利於用戶體驗，也有利於平台用戶運營。92年已被提出的推薦算法，在此背景下得到廣泛應用。

1為什麼需要推薦？

隨着互聯網發展，各類信息越來越多，如何進行有效的信息獲取及展示成為用戶和平台共同關注的問題，而有效的推薦可幫我們進行信息過濾，成為解決這項問題的重要手段。

2哪裡有推薦？

推薦其實已經應用在我們生活的各個領域中。

比如微博中的榜單，就是將熱門的東西推薦給用戶，讓用戶可以快速關注到當前熱點信息。

音樂播放器的推薦，就是根據用戶歷史的行為偏好，找到用戶潛在喜歡的歌曲並進行推薦。

包括我們在電商平台購物時，每位用戶的首頁展示都會不一樣，也是根據用戶偏好和推薦算法，實現的千人千面。

3推薦算法有哪些？

推薦算法就是根據一定的規則，得到根據用戶喜歡程度進行排列的推薦列表。除了根據熱度進行推薦，目前主要的推薦算法有如下幾種?

a. 協同過濾

協同過濾(Collaborative Filtering, CF)是最常用和經典的推薦算法，基本原理就是根據用戶的歷史偏好，發現用戶、物品或者內容間的相關性，進行推薦。協同過濾可細分為基於用戶、基於物品的推薦算法。

通過用戶對物品的偏好找到與該用戶相似的用戶，將相似用戶喜歡的物品推薦給當前用戶。比如下方數據記錄了4名用戶對5種商品的購買行為，用戶A和用戶C都購買了牛奶和麵包，相似度最高，因此將用戶D購買過的果醬推薦給用戶A。

適用範圍：物品比用戶多。

優點：能實現跨領域的結果，並且驚喜度高，能發現用戶潛在興趣。

缺點：很多時候用戶間的共同行為較少，難以形成有意義的鄰居集合，且用戶間距離可能變化很快，不適合線上實時計算。

基於物品的推薦算法尤其在電商行業應用最為廣泛，他通過用戶對物品的偏好找到相似物品，為用戶推薦相似物品。根據下圖記錄，購買麵包的用戶都會購買果醬，所以麵包和果醬有較高相似度，因此對買了麵包的用戶D推薦果醬。

適用範圍：用戶比物品多。

優點：推薦精度高，傾向於推薦同類商品，且物品間距離一段時間內穩定，能較快得出在線結果。

缺點：物品冷啟動、數據稀疏時，效果較差。

通過機器學習的方法預測用戶對商品的喜好程度。常規的應用在推薦中的機器學習方法包括關聯分析、聚類算法、回歸算法、分類算法等，隨着神經網絡的研究和發展，基於神經網絡的推薦算法也日漸火爆。神經協調過濾為例，是根據隱性反饋來推斷用戶的偏好值，可以很好的提升模型泛化能力，流程如下圖所示。

適用範圍：數據較為稀疏。

優點：很好的支持發現用戶潛在偏好。

b. 基於內容的推薦

指根據物品的便簽屬性，推薦有相似標籤的物品。如下夏洛特煩惱和人在囧途都是喜劇，那麼基於內容的推薦就會給看過夏洛特煩惱的用戶B推薦人在囧途。

適用範圍：不能根據評分或名稱，需要根據物品本質進行推薦。

優點：最直觀，不受冷啟動問題限制。

缺點：推薦精度較差，結果驚喜度不足。