一. 推荐系统概述

1. 推荐系统目的

1. 让用户更快更好的获取自己感兴趣的信息
2. 让信息更快更好的推送到喜欢它的用户手中
3. 让平台更有效的保留用户资源

2. 推荐系统的应用

1. 电子商务
2. 电影视频
3. 个性化音乐
4. 个性化阅读
5. 社交网络
6. 个性化广告

3. 推荐系统的基本思想

1. 【知你所想，精准推荐】利用用户和物体的特征信息，给用户推荐那些具有用户喜欢的特征的物品
2. 【人以群分】利用和用户相似的其他用户，给用户推荐和他兴趣爱好相似的用户喜欢的物品（二人一物）
3. 【物以类聚】利用用户喜欢过的物品，给用户推荐和这些物品类别相同或者说相似的物品（一人二物）
   

数据分析（数据源）

用户：个人信息，喜好标签，上下文信息
物品：内容信息，分类标签，关键词
行为数据：点击，浏览，收藏，购买，评分/评论，打标签

4. 推荐系统的分类

1. 基于实时性分类：离线推荐，实时推荐
2. 基于推荐是否个性化分类：基于统计，基于个性化
3. 基于推荐原则分类：基于相似度【人以…,物以…】，基于知识【定好规则】，基于模型【机器学习发现规律】
4. 基于数据源分类：基于人口统计学，基于内容，基于协同过滤
   

二. 推荐系统算法简介

1. 基于人口统计学的推荐算法

【个人信息相似，根据喜好标签进行推荐，适用于刚注册平台的新用户】

2. 基于内容的推荐算法

【物品标签类似，类似物品交叉推送给浏览过此类物品的人】
【伪数据表设计】

物品id	…	类别	浏览过的用户
1	…	A类	u1
2	…	A类	u2
3	…	B类

因为u1浏览过A类物品1，则可以把A类其他物品（如2）推荐个u1
因为u2浏览过A类物品2，则可以把A类其他物品（如1）推荐给u2，

3. 基于协同过滤（行为数据）

前提：得有历史数据

1. 基于近邻的协同过滤

• 基于用户
  

• 基于物品
  

2. 基于模型的协同过滤

• 奇异值分解（SVD）
• 潜在语义分析（LSA）
• 支撑向量机（SVM）

4. 混合推荐

1. 加权混合：将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的结果
2. 切换混合：切换的混合方式，就是允许在不同情况（数据量，系统运行状况，用户和物品的数目等）下，选择最为合适的推荐机制计算推荐
3. 分区混合：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户
4. 分层混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐