推薦的演算法

㈠ 推薦系統演算法

基 於內容的推薦（Content-based Recommendation）是信息過濾技術的延續與發展，它是建立在項目的內容信息上作出推薦的，而不需要依據用戶對項目的評價意見，更多地需要用機 器學習的方法從關於內容的特徵描述的事例中得到用戶的興趣資料。
在基於內容的推薦系統中，項目或對象是通過相關的特徵的屬性來定義，系統基於用戶評價對象 的特徵，學慣用戶的興趣，考察用戶資料與待預測項目的相匹配程度。用戶的資料模型取決於所用學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。 基於內容的用戶資料是需要有用戶的歷史數據，用戶資料模型可能隨著用戶的偏好改變而發生變化。

㈡ 推薦演算法的組合推薦

由於各種推薦方法都有優缺點，所以在實際中，組合推薦（Hybrid
Recommendation）經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法去產生一個推薦預測結果，然後用某方法組合其結果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦一個最重要原則就是通過組合後要能避免或彌補各自推薦技術的弱點。
在組合方式上，有研究人員提出了七種組合思路：1）加權（Weight）：加權多種推薦技術結果。2）變換（Switch）：根據問題背景和實際情況或要求決定變換採用不同的推薦技術。3）混合（Mixed）：同時採用多種推薦技術給出多種推薦結果為用戶提供參考。4）特徵組合（Feature
combination）：組合來自不同推薦數據源的特徵被另一種推薦演算法所採用。5）層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。6）特徵擴充（Feature
augmentation）：一種技術產生附加的特徵信息嵌入到另一種推薦技術的特徵輸入中。7）元級別（Meta-level）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。

㈢ 推薦演算法的基於知識推薦

基於知識的推薦（Knowledge-based Recommendation）在某種程度是可以看成是一種推理（Inference）技術，它不是建立在用戶需要和偏好基礎上推薦的。基於知識的方法因它們所用的功能知識不同而有明顯區別。效用知識（Functional Knowledge）是一種關於一個項目如何滿足某一特定用戶的知識，因此能解釋需要和推薦的關系，所以用戶資料可以是任何能支持推理的知識結構，它可以是用戶已經規范化的查詢，也可以是一個更詳細的用戶需要的表示。

㈣ 推薦演算法有哪些

應該說分為兩類：個性化和非個性化，「讓全局優秀的內容被大家看到」應該算是非個性化，熱門榜單/最多觀看這類方法可以簡單解決這個問題;不同的人對於「好」的理解不一樣，換句話說也就是偏好不同，所以新加入的好內容我認為是個性化問題。

個性化的兩個主要思想八個字概括之：物以類聚、人以群分。主要的方法及變種應該有很多，像協同過濾、基於內容的、基於標簽的等等。

㈤ 推薦演算法中哪個演算法用的比較多些

這是要根據推薦結果微調的，一般用牛頓迭代法很快就能找到最佳值

㈥ 推薦演算法的介紹

推薦演算法是計算機專業中的一種演算法，通過一些數學演算法，推測出用戶可能喜歡的東西。

㈦ 推薦演算法有什麼

推薦演算法有協同過濾，FM等演算法

㈧ 推薦演算法中有哪些常用排序演算法

外排序、內排序、插入類排序、直接插入排序、希爾排序、選擇類排序。

推薦演算法是計算機專業中的一種演算法，通過一些數學演算法，推測出用戶可能喜歡的東西，應用推薦演算法比較好的地方主要是網路。所謂推薦演算法就是利用用戶的一些行為，通過一些數學演算法，推測出用戶可能喜歡的東西。

在基於內容的推薦系統中，項目或對象是通過相關特徵的屬性來定義的，系統基於用戶評價對象的特徵、學慣用戶的興趣，考察用戶資料與待預測項目的匹配程度。用戶的資料模型取決於所用的學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。基於內容的用戶資料需要有用戶的歷史數據，用戶資料模型可能隨著用戶的偏好改變而發生變化。

基於內容的推薦與基於人口統計學的推薦有類似的地方，只不過系統評估的中心轉到了物品本身，使用物品本身的相似度而不是用戶的相似度來進行推薦。

㈨ 推薦演算法的主要推薦方法的對比

各種推薦方法都有其各自的優點和缺點，見表1。 表1 主要推薦方法對比 推薦方法優點缺點基於內容推薦推薦結果直觀，容易解釋；不需要領域知識 新用戶問題；復雜屬性不好處理；
要有足夠數據構造分類器 協同過濾推薦新異興趣發現、不需要領域知識；隨著時間推移性能提高；
推薦個性化、自動化程度高；
能處理復雜的非結構化對象 稀疏問題；可擴展性問題；
新用戶問題；
質量取決於歷史數據集；
系統開始時推薦質量差； 基於規則推薦能發現新興趣點；不要領域知識 規則抽取難、耗時；產品名同義性問題；
個性化程度低； 基於效用推薦無冷開始和稀疏問題；對用戶偏好變化敏感；
能考慮非產品特性 用戶必須輸入效用函數；推薦是靜態的，靈活性差；
屬性重疊問題； 基於知識推薦能把用戶需求映射到產品上；能考慮非產品屬性 知識難獲得；推薦是靜態的

㈩ 演算法 推薦演算法 還有什麼算fan

1、為每個物品（Item）構建一個物品的屬性資料（ItemProfile）2、為每個用戶（User）構建一個用戶的喜好資料（UserProfile）3、計算用戶喜好資料與物品屬性資料的相似度，相似度高意味著用戶可能喜歡這個物品，相似度低往往意味著用戶不喜歡這個物品。選擇一個想要推薦的用戶「U」，針對用戶U遍歷一遍物品集合，計算出每個物品與用戶U的相似度，選出相似度最高的k個物品，將他們推薦給用戶U——大功告成！下面將詳細介紹一下ItemProfiles和UserProfiles。