zoukankan      html  css  js  c++  java
  • 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

  • 相关阅读:
    176. Second Highest Salary
    175. Combine Two Tables
    172. Factorial Trailing Zeroes
    171. Excel Sheet Column Number
    169. Majority Element
    168. Excel Sheet Column Title
    167. Two Sum II
    160. Intersection of Two Linked Lists
    个人博客记录
    <meta>标签
  • 原文地址:https://www.cnblogs.com/baby123/p/8599119.html
Copyright © 2011-2022 走看看