前言

在本文中，將詳細介紹多種類型的推薦系統，具體介紹基于近鄰算法的推薦引擎、個性化推薦引擎、基于模型的推薦系統和混合推薦引擎等，并分析介紹每種推薦系統的優缺點。

主要介紹的不同類型的推薦系統包括：

• 近鄰算法推薦引擎：基于用戶的協同過濾和基于項目的協同過濾；

• 個性化推薦引擎：基于內容的推薦引擎和情境感知推薦引擎；

• 基于模型的推薦引擎：基于機器學習的推薦引擎、分類模型-SVM/KNN、矩陣分解、奇異值分解、交替最小二乘法概述、混合推薦引擎。

0推薦引擎的發展

最近幾年，推薦系統發展迅猛。從簡單的近鄰算法到個性化推薦再到情境感知推薦，從批處理推薦到實時推薦，從啟發式的相似度計算到更準確、更復雜的機器學習方法的應用。

在推薦系統發展的早期階段，生成推薦時只能基于用戶對產品的評級。在這段時期，研究人員只能使用現有的評級數據，使用簡單的啟發式方法，例如：在計算相似度時，常采用諸如歐氏距離、皮爾遜系數、余弦相似度等。這些計算方法雖然簡單，但是在相似度上的判斷，卻有非常好的表現，目前仍是一些推薦引擎比較常用的方法。

第一代推薦引擎可以稱為協同過濾或近鄰算法推薦。這些推薦算法雖然簡單易用，在數據上也有不錯的表現，但是也有它們自身的弱點和局限性，比如對已有數據過于依賴造成的冷啟動問題，即它們無法實現向新用戶 ( 指未對商品等進行過任何評價的用戶 ) 進行商品推薦，也無法向用戶推薦沒有評級的新商品。當用戶對產品的評級很少時，這些推薦系統無法處理這類數據十分稀疏的情形。

為了克服這些限制，一些

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（七十七）-主流推荐引擎技术及优缺点分析的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。