個性化推薦，有一些基礎(chǔ)的認(rèn)識，簡要總結(jié)下。
數(shù)學(xué)和深度學(xué)習(xí)之類的，不太懂，但不影響做項(xiàng)目。

1.人工推薦
最常用的方式之一，編輯、運(yùn)營和領(lǐng)導(dǎo)等角色，推薦什么，用戶就看什么。

2.分組/聚類推薦
根據(jù)用戶的信息，比如?
? ? 地域（廣東、湖南），給廣東人推薦辣食品，大概率 不如 推薦給湖南人推薦賣的好。
?? ?用戶等級（初級會員、黃金會員），等級高的會員，可能更愿意花錢買貴的商品。
? ? 職業(yè)（互聯(lián)網(wǎng)、金融），推薦職業(yè)相關(guān)的書籍。
?? ?
3.協(xié)同過濾
我們想給用戶推薦東西，最合乎邏輯方法是找到具有相似興趣的人，分析他們的行為，并向用戶推薦相同的項(xiàng)目。
另一種方法是看看用于以前買的商品，然后給他們推薦相似的。

CF有兩種基本方法：基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同過濾。

4.矩陣分解
不太懂。
感覺是 用戶*項(xiàng)目 2個維護(hù)，根據(jù)已知數(shù)據(jù)，來打分。

5.深度學(xué)習(xí)
不太懂。

但是，看網(wǎng)友的文章，矩陣分解和深度學(xué)習(xí)有點(diǎn)類似，大致如下：

算法由兩個神經(jīng)網(wǎng)絡(luò)組成：一個用于候選生成，一個用于排序。

候選生成：以用戶的瀏覽歷史為輸入，候選生成網(wǎng)絡(luò)可以顯著減小可推薦的視頻數(shù)量，從龐大的庫中選出一組最相關(guān)的視頻。這樣生成的候選視頻與用戶的相關(guān)性最高，然后我們會對用戶評分進(jìn)行預(yù)測。

這個網(wǎng)絡(luò)的目標(biāo)，只是通過協(xié)同過濾提供更廣泛的個性化。

排序：進(jìn)行到這一步，我們得到一組規(guī)模更小但相關(guān)性更高的內(nèi)容。我們的目標(biāo)是仔細(xì)分析這些候選內(nèi)容，以便做出最佳的選擇。

這個任務(wù)由排序網(wǎng)絡(luò)完成。

所謂排序就是根據(jù)視頻描述數(shù)據(jù)和用戶行為信息，使用設(shè)計好的目標(biāo)函數(shù)為每個視頻打分，得分最高的視頻會呈獻(xiàn)給用戶。

通過這兩步，我們可以從非常龐大的視頻庫中選擇視頻，并面向用戶進(jìn)行有針對性的推薦。這個方法還能讓我們把其他來源的內(nèi)容也容納進(jìn)來。

如衡量推薦模型的質(zhì)量？

“除了標(biāo)準(zhǔn)質(zhì)量指標(biāo)之外，還有一些針對推薦問題的指標(biāo)：比如說召回率與準(zhǔn)確率。”
推薦的文章，用戶是否點(diǎn)擊閱讀了。
推薦的商品，用戶是否瀏覽購買了。

無論是哪種方法，對推薦的列表，點(diǎn)擊和購買等數(shù)據(jù)進(jìn)行監(jiān)測，或者AB2種推薦方式效果對比。
有了數(shù)據(jù)，推薦算法和不同用戶的匹配效果就出來了。
再針對性的調(diào)整。

6.另外，我還想到一種方法。
在jd上買東西時，經(jīng)常發(fā)現(xiàn)我買過一個東西之后，還給我持續(xù)推薦。類似的推薦，讓人感覺算法很蠢。
所以，我們可以電話了解部分用戶的情況，推薦了10種商品，你為啥不點(diǎn)擊，不購買？
用戶給出反饋，比如：我只買自己想買的、推薦的我已經(jīng)買過了、推薦的商品價格太高、朋友買過效果不好等。

通過用戶，買或不買的反饋，了解很多推薦算法需要處理的本質(zhì)問題。
因此，我們的推薦算法會考慮 商品價格、他的朋友是否好評是否購買、用戶的興趣偏好、用戶的地域等。

主要參考了
詳解個性化推薦五大最常用算法
https://www.cnblogs.com/mafeng/p/7912229.html

順便看了下
基于矩陣分解的推薦算法，簡單入門
https://www.cnblogs.com/kobedeshow/p/3651833.html

總結(jié)

以上是生活随笔為你收集整理的个性化推荐的6种方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。