利用用户行为数据
评测指标：准确率，召回率
基于用户行为的协同过滤
找到和用户兴趣相似的用户集合，推荐用户未产生行为的物品
余弦相似度
倒排表
关于用户相似度的优化
反映和用户兴趣相似的群体兴趣
基于物品的协同过滤
计算物品相似度，生成推荐列表
倒排表
缺点：对用户活跃度敏感
反映用户的历史兴趣，个性化
区别
基于用户行为的是以用户为角度，去搜索和用户行为类似的其他用户集合，然后推荐集合用户产生行为的其他物品
基于物品的是以物品为角度，去搜索对此物品产生行为的其他用户同时对其他物品产生的行为，计算物品相似度，推荐相似度高的物品
隐语义模型LFM
思想：定义隐类，多通过聚类分类
方法：随机梯度下降
适用于TOPN推荐
LFM与上述算法的区别
LFM是学习，上面的更多是统计
LFM较上面的方法复杂
LFM难以生成实时推荐，每一次都要计算所有物品兴趣权重
前者很好解释
基于图的算法
用户和物品之间进行关系连线，度量与用户节点没有连接的节点的关联性
随机游走，物品被游走的概率将收敛
推荐系统冷启动
问题分类
用户冷启动：新用户加入
物品冷启动：新物品加入
系统冷启动：新的系统
尽可能获得更多信息
利用物品内容信息
USERCF将新物品投放给曾今喜欢过与其类似的物品的用户
ItemCF利用物品的相关属性来进行推荐以及判定物品相似度
专家标注
利用用户标签数据
基于标签的推荐系统
评价：准确率，召回率，多样性，覆盖率
统计用户常用标签，统计打过一个标签最多的物品，对用户推荐常用标签物品
问题：标签清理，同义词，停止词
基于图的推荐
用户，物品，标签组成的三元图
利用随机游走策略
解释标签
给用户推荐标签
方便输入，提高质量
基于图的标签推荐
