推荐系统是如何工作的?

最基本的是,大多数推荐系统都是通过以下两种方式之一工作的。

基于用户的建议:
如果用户A喜欢项目1、2、3、4和5,

那么用户B很可能也喜欢第5项

基于项目的建议:
如果购买项目1的用户也不成比例地购买项目2
和用户购买的物品1
那么用户A可能会对项目2感兴趣

下面是你应该知道的算法的大脑垃圾堆:
-集合相似性(Jaccard索引和Tanimoto系数)
-n维欧氏距离
-k-均值算法
-支持向量机

Netflix introduced a $1 million prize for improving their recommendations by 10% .

几年后,人们越来越接近了(我想他们现在上涨了9%左右),但这很难,原因很多。可能Netflix奖最大的因素或最大的初始改进是使用了一种叫做 singular value decomposition .

我强烈推荐你阅读 If You Liked This, You’re Sure to Love That 深入讨论Netflix大奖和推荐系统。

基本上,Amazon等的原理是一样的:他们寻找模式。如果有人购买了《星球大战》三部曲,那么他们喜欢吸血鬼杀手巴菲的可能性比普通顾客(纯粹虚构的例子)更大。

奥莱利的书 "Programming Collective Intelligence" 有一个很好的章节展示了它是如何工作的。非常可读。

代码示例都是用Python编写的,但这不是什么大问题。

GroupLens Research 在明尼苏达大学的研究推荐系统中,慷慨地分享它们 research 和 datasets .

他们的研究每年都会扩大一点,现在他们考虑了一些具体问题,如在线社区、社交协作过滤以及呈现复杂数据时的UI挑战。

Netflix推荐系统的算法实际上是一项竞争性的工作,程序员继续竞争以提高系统的准确性。

但从最基本的角度来说,推荐系统将检查与另一用户的人口统计/兴趣信息密切匹配的用户的选择。

因此,如果你是来自纽约市的25岁白人男性,推荐系统可能会尝试为你带来美国东北部21-30岁的其他白人男性购买的产品。

编辑:还应该注意的是,您拥有的用户信息越多,您就越能够改进算法,以匹配其他人正在做的事情和相关用户可能感兴趣的事情。

这是一个分类问题,即将用户分类为可能对某些项目感兴趣的用户组。

一旦被划分为这样一个组,就很容易检查该组中其他用户的购买/喜好并推荐他们。

因此,贝叶斯分类和神经网络(多层感知器、径向基函数、支持向量机)值得一读。

clusters 并向同一集群中的其他用户推荐产品。

推荐系统主要有两种类型,它们的工作方式不同:

1.基于内容 . 这些系统根据特征信息提出建议。这是有关项目(关键字、类别等)和用户(首选项、配置文件等)的信息。

这些系统基于用户项交互。这是诸如评级、购买数量、喜好等信息。

This

当然,有些算法会向您推荐首选项。为此,已经实施了不同的数据挖掘技术。如果您想了解推荐系统的更多基本信息,请访问 this 博客这里介绍了推荐系统的基本知识。