推荐系统_基础知识总结

1.推荐系统架构:
    
    系统架构======个性化推荐系统
    模型服务======用户画像 + 物品画像 + 特征服务 + 用户行为
    算法模型======Online算法 + Offline算法
    数据平台======数据收集 + 数据存储

2.TopN推荐:
    准确率(Precision):为用户推荐且用户感兴趣的物品,在推荐结果列表中所占的比例
    召回率(Recall):为用户推荐且用户感兴趣的物品,在用户感兴趣的所有物品列表中所占比例

3.协同过滤推荐(collaborative filtering recommenndation)
    ①基于用户的协同过滤(UserCF)
        →主要步骤:找出距离用户最近的邻居用户;对邻居用户相似度和邻居用户感兴趣的项目进行评价,输出推荐列表
        →定义用户相似度:基于关联方法(correlation-based);基于余弦距离的方法(cosine-based)
    
    ②基于物品的协同过滤(ItemCF)
        →原理: 为用户推荐那些和他之前喜欢的物品相似的物品
        →主要步骤: 找到距离物品最近的邻居物品;对邻居物品的相似度和用户兴趣进行评价,输出推荐列表
        →相似度: 同上
        
    ③UserCF和ItemCF比较
        →UserCF 以用户为基础，通过邻居用户来匹配物品，是一种兴趣圈子内的推荐，注重于兴趣圈内的热点；ItemCF 以物品为基础，通过邻居物品匹配物品，注重于维系用户的历史兴趣
        →UserCF,用户相似矩阵,适用于用户量较少的产品;ItemCF适合物品量较少的产品

4.基于内容的推荐(content-based recommentdation)


5.基于知识的推荐(knowledge -based recommentdation)