目录
- 1、定义
- 2、分类
- 3、常用推荐算法
- 4、应用场景
- 5、实现步骤
1、定义
为了解决信息过载、用户无明确需求的问题,找到用户感兴趣的物品,才有了个性化推荐系统。
2、分类
按照目标用户划分:基于大众行为推荐,基于个性化推荐;
按照数据源划分:基于人口统计学推荐,基于内容推荐,基于协同过滤推荐;
按照推荐模型划分:基于关联规则推荐,基于机器学习模型推荐。
3、常用推荐算法
其一,基于用户的协同过滤算法:先计算的是用户与用户的相似度,然后将相似度比较接近的用户A购买的物品推荐给用户B。
其二,基于物品的协同过滤算法:使用所有用户对物品或者信息的偏好,发现物品和物品之间的相似度,然后根据用户的历史偏好信息,将类似的物品推荐给用户。
其三,基于混合机制协同推荐算法:推荐往往都不是单纯只采用了某一种推荐的机制和策略,他们往往是将多个方法混合在一起,从而达到更好的推荐效果。一般常见:加权的混合、分区的混合。
4、应用场景
今日推荐、新品推荐、捆绑销售、他人购买。
5、实现步骤
- 准备数据:浏览、收藏、关注、转发、评价、评价,下单 的数据。
- 处理数据:降噪,将不需要的干扰数据清理,归一化,将数据统一计算到某个区间,得到数据,内容为用户、商品、偏好度。
- 算法模型:其一,基于用户的协同过滤算法,算用户与用户之间的相似度,然后截取最近邻域(按照邻居个数、按照邻居的距离),得到用户A的相似用户的偏好物品的结果集用来推荐, 推荐的结果集与用户A已经购买过的进行去重。其二,基于物品的协同过滤算法,算物品与物品之间的相似度,然后截取最近邻域(按照邻居个数、按照邻居的距离),拿着用户已经购买的商品,去找每个商品相似度最高的商品列表,汇总成一个推荐结果集。
- 业务干预推荐结果: 补全、过滤、丰富度、上下线、强推等。
- 展现用户:前端展示。
- 反馈机制:需要时间积累结果。