中英譯本及下載：http://blog.sina.com.cn/s/blog_586631940100pduh.html

以下是摘要筆記：

?算法應當結合用戶的習慣，用戶特點的分類

觀影習慣是比較單一 還是比較分散

這是不同的

一、推薦的宗旨：推薦應該要幫助顧客找到和發現新的、相關的、有趣的商品。

Recommendations should help a customer find and discover new, relevant, and interesting items.

二、解決推薦問題有三個通常的途徑：傳統的協同過濾，聚類模型，以及基于搜索的方法。

推薦算法
大多數推薦算法，都始于先找出一個顧客集合，他們買過和評級過的商品，與當前用戶買過和評級過的商品有重疊。算法把來自這些相似顧客的商品聚集起來，排除該用戶已經購買過或評級過的商品，并向該用戶推薦其余的商品。

這些算法有兩個最常見的版本：協同過濾和聚類模型。其他算法——包括基于搜索的方法以及我們自己的商品到商品協同過濾——都集中于尋找相似的商品，而不是相似的顧客。針對用戶所購買和評級的每一件商品，算法試圖找到相似的產品，然后聚集這些相似的商品，并給予推薦。?

1.傳統的協同過濾

利用協同過濾來產生推薦，很耗計算，如果降維，則會影響品質。

2.聚類模型

算法的目標是，把該用戶分配到含有最相似顧客的細分人群里，然后，算法再利用該細分顧客人群的購買和評級，來生成推薦。

較之協同過濾，聚類模型有更好的在線可擴展性和性能、復雜和昂貴的聚類計算會離線運行。然而，推薦品質卻是低的

3.基于搜索的方法
基于搜索或內容的方法，將推薦問題視為相關商品的搜索，如果該用戶只有少數購買或評級，基于搜索的推薦算法在計算量和性能上都不錯。然而，對于有數千次購買的用戶，要以針對所有商品的查詢為基礎也不太可行，若使用子集則又降低了品質。

三、電子商務推薦算法的環境挑戰：
? 大型零售商有海量的數據，以千萬計的顧客，以及數以百萬計的登記在冊的不同商品。
? 許多應用要求結果實時返回，在半秒之內，還要產生高質量的推薦。
? 新顧客很典型，他們的信息很有限，只能以少量購買或產品評級為基礎。
? 較老的顧客信息豐沛，以大量的購買和評級為基礎。
? 顧客數據不穩定：每一次交互都可提供有價值的顧客數據，算法必須立即對新的信息作出響應。

?

商品到商品的協同過濾

?

把推薦作為一種定向營銷工具。（每有一個用戶，就有一個用戶的個性化商店）

它如何工作

協同過濾的變種，將商品分類，而不是用戶

對于非常大的數據集，一個可擴展的推薦算法必須離線運行最昂貴的計算。而現有方法達不到這樣的要求：
? 傳統的協同過濾只做很少或不做離線計算，其在線計算量取決于顧客和登記在冊商品的數量。在大數據集的情況下，這樣的算法不可行，除非使用維度降低、抽樣或區隔——所有這些都降低了推薦的品質。
? 聚類模型能離線運行大量的計算，但推薦品質相對較差。出于改進，可以增加人群細分的數量，但這會使在線的用戶-細分人群的分類變得昂貴。
? 基于搜索的模型離線建立起關鍵詞、范疇、作者索引，但不能提供符合興趣、定向內容的推薦。對于購買和評級很多的顧客來說，這些算法的擴展性不佳。
商品到商品協同過濾的可擴展性和性能的關鍵是，它離線建立耗時巨大的相似商品表格。該算法的在線部分——針對當前用戶的購買和評級來尋找相似的商品——計算量獨立于商品目錄的規模或顧客的總數；僅僅取決于該用戶買過或評級過多少個商品。因此，甚至是對于超大數據集，算法也很快速。由于該算法能推薦高度關聯的相似商品，推薦的品質就很出色10。與傳統的協同過濾不同，該算法在用戶數據有限的情況下也能運行良好，在少至2到3件商品的基礎上，產生高品質的推薦。

?連接：

http://blog.sina.com.cn/s/blog_586631940100pduh.html

http://www.xysay.com/amazon-item-to-item-collaborative-filtering-207.html

轉載于:https://www.cnblogs.com/lance-/p/3935327.html

總結

以上是生活随笔為你收集整理的reading notes -- Amazon.com Recommendations: Item-to-Item Collaborative Filtering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。