好久前的笔记，翻出来整理了下，顺便mark之。
一，史前时代之基于人口统计的推荐 顾名思义，就是针对用户的年龄，性别，地域等基本属性来推荐物品，会对这些基本属性属于一个分类的用户推荐一类物品。
它的优点是可以解决冷启动的问题，缺点是比较粗造。
例子： 第一次进入亚马逊，当当，推荐你本年度中国最受欢迎的热门书籍。
一点自己的看法：
1，推荐本质上是从数据中获取信息，信息就是用来消除不确定性的，这里可以避免冷启动不是由于他不需要数据，而是选择了直接利用了现实生活中信息，这些信息其实是历史学家，心理学家，特别是统计工作者的功劳。
2，粗造的原因同上，这些家们要整理出通用的规律，必然要丢弃掉很多信息。学过压缩，加密的就会清楚，这种必然还不了原的。尤其是当这些统计属性如果不包含你要推荐商品的信息时，比如音乐，电影，还原出来的熵就接近于0。
二，奴隶时代之基于内容的推荐
我们推荐什么物品，这些物品的属性也是包含了很多的可利用的信息。比如摇滚音乐，摇滚本质是对生活态度的一种反应。我们就可以根据结合这些来对不同的人群来推荐。
它的优点是可以更加精确。缺点是对物品的认识各有不同，需要专家来对物品建模，打标签。
例子：在房地产页面上推汽车广告。还有很多公司这样跟人打tag：年纪25以上，经常投资经济论坛定义为优质客户。
一点自己的看法：
1，要推荐物品，还是需要仔细分析物品的。但缺点是直接从物品出发，没有以人为本。这样的分类结合第一种的话可以更准确。
2，从这里可以看出两种不同的角度，比如从人出发，比如从物出发。可以看到之后的推荐系统发展，依旧还是从这个角度出发，比如协同过滤中的基于用户推荐，和基于物品推荐两种。
------------------------------------------------华丽的分割线----------------------------------------------------
三，封建时代之基于用户的协同过滤
其原理是根据用户对物品偏好，发现和当前用户口味相近的用户群。比如K-邻居算法。
例子：这个最好举例了，因为自己平常的上的豆瓣FM就是这样（豆瓣应该是多种算法结合，不过这么举例也无妨了）。
一点自己的看法：
1，前几天和同事交流时，发现对基于人口统计的推荐究竟是不是协同过滤还迷惑了下。因为这里也是对人进行了分类，年龄性别地理一样的就是一个用户群啊。后来仔细想了想，觉得这个地方最本质的区别就是这分类的来源了。
协同过滤的分类应该是未知的，当我们拿到一堆用户和行为数据，我们不知道有会分出一个什么类来，这个类究竟是什么，说不定还可以分出一个神经质用户群的类来。
四，封建时代之基于物品的协同过滤
这里和前面原理一样，将角度切换到了物品。根据你的历史喜好来推荐。
例子：你的历史只看IMDB100的电影，那就推荐打分高的电影了。
一点自己的看法：
1，基于物品，就是物以类聚，基于人就是人与群分。利用的都是相似度的计算。如果从技术上来讲，只是分类的对象不一样，矩阵里计算的对象不一样。
2，怎么计算物品相似度？打分系统，like，+1等是不是都精确度不高。
2，其实推荐不必那么准确。太准确了，基于物品的推荐让你跳不出你自己的历史。基于用户的推荐让你走不出自己的圈子。
五，现代社会之基于模型的推荐
简而言之就是机器学习。先根据一些样本来训练一个推荐模型，而后根据实时的用户信息来计算推荐。这个模型本身也就是动态变化的。这个推荐应该是目前最上流的方式了。
这个了解不是很深。从概念上来讲是不是意味这之前推荐系统里K个分类，在这里会动态变化？一个人之前在分类1里，有过另外一些操作行为之后就会划分到新分类K+1里去？
总结：
这里的方法各有利弊，目前互联网都有用到。毕竟一个商业系统有成本控制，哪个投入产出比好就用哪个了。另外很多推荐方法的相似度计算，分值权重都可能跟实际推荐结合紧密，往往是要在不断的实践中去修正系数，甚至变动计算公式的。
总言之，概念归概念，现实中一切都不是死的。
阅读(2121) | 评论(0) | 转发(0) |
