推荐引擎

推荐引擎所需要的数据源

• 要推荐物品或内容的元数据
• 系统用户的基本信息
• 用户对物品或者信息的偏好
  • 显示的用户反馈
  • 隐式的用户反馈

 

 根据推荐引擎的数据源分为：

• 基于人口统计学的推荐 --- 根据用户的基本信息发现用户的相关度、

 对每个用户都有一个用户 Profile 的建模

根据用户的基本信息，A和C是相似用户，可以成为邻居，基于“邻居”用户群的喜好推荐给当前用户一些物品

• 基于内容的推荐 --- 根据推荐物品或内容的元数据，发现物品或内容的相关性

对电影的元数据有一个建模

电影A和C被认为是相似的，用户A喜欢电影A，那电影C也可以推荐给用户A

• 基于协同过滤 

　　　　根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐

• • 基于用户的
    • 先使用统计技术寻找与目标用户有相同喜好的邻居，然后根据目标用户的邻居的喜好产生向目标用户的推荐

用户A喜欢A、C

用户B喜欢B

用户C喜欢A、C、D

所以用户A和C偏好类似，所以把D推荐给用户A

• • 基于项目的
    • 根据所有用户对物品或者信息的评价，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该用户

用户A喜欢A、C

用户B喜欢A、B、C

用户C喜欢A

物品A、C比较相似，喜欢A的应该喜欢C，所以，将C推荐给用户C

• • 基于模型的
    • 基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测推荐

 

参考：https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html