摘要：
所有的推荐算法都可看成是基于特征向量空间和特征加权矩阵的推荐算法。
当特征向量的维度很大时，基于特征向量空间和特征加权矩阵的推荐算法计算复杂度将很大。常见的做法是采用降维技术，比如使用minhash(simhash)。另一种做法是先聚类，将N维的特征空间，转变成M维的特征空间(MN)。比如在ItemCF算法中，可对物品聚类，然后采用M类的物品作为特征。当然降维后需要计算权值矩阵。
实际推荐系统通常采用多种推荐算法，并根据用户的实时行为反馈调整用户的特征向量(特征的加权系数)，进而融合各个推荐算法的推荐结果，在此基础上过滤不要的推荐项，最后结合用户使用场景调整推荐结果排名，给出最终推荐结果。 阅读全文
点击右上角即可分享
