1.基于静态信息的推荐
通过用户登录来源或者相关账号绑定，获取用户之前的社交网站上的信息。与2人口统计学获取特征相区别。
1.1 直接获取用户喜好信息
-
基本原理：利用用户之前的社交网站的信息直接获取用户喜好信息。
-
例子：
-
用户使用微信登录，获取用户发过的朋友圈公开信息，提取与被推荐物品高度相关的信息，进行推荐。
-
用户使用微博登录网易云，发现发过喜欢begin again电影的状态，于是推荐主题曲lost star.
-
用户用微博登录，切关注了xx领域某个类别的一个大v号，则可以推荐该类别。
-
优点：推荐准确。
-
缺点：这种信息不好获取，且不是都能获取。需要一定的物品信息。
1.2 获取用户社交关系信息
-
基本原理：利用用户之前的社交网站的信息直接获取用户好友信息。
-
例子：用户使用微博/微信等登录，获取关注者、好友等信息，把好友的喜好推荐给用户。
-
优点：推荐比较准确。
-
缺点：好友信息不容易获取，且好友的喜好信息不一定有。
2.基于用户特征的推荐（基于人口统计学的推荐）☆
-
基本原理：通过用户的属性特征进行建模，比如年龄，性别等，把用户分为不同的人群，然后对同一类人群把该类人群的共同喜好推荐给新用户。
-
优点：
-
不需要历史行为数据；
-
不需要物品的属性信息。
- 缺点：
- 区分粒度很粗，效果不会特别好。
3.基于物品内容的推荐 ☆
-
基本原理：通过物品的属性特征进行建模，计算物品相似度，然后基于用户行为推荐相似物品。
-
优点：
-
比较直观，物品属性维度越多越准确；
-
覆盖率广。
- 缺点：
-
需要物品的属性信息；
-
物品相似度衡量只考虑物品本身，有一定局限，因为很多推荐内容有很强的主观性，比如音乐书籍电影；
-
需要一定的用户历史喜好信息。
4.协同过滤 ☆
-
基本原理：根据用户的历史行为数据计算用户或者物品的相似度(比如使用余弦相似度)，然后进行推荐。
-
优点：
-
不需要任何的用户或者内容的属性特征信息
-
推荐效果的惊喜度、准确度、多样性较好
-
随着用户行为增多，推荐效果也会提升
- 缺点：
-
需要大量、准确的用户行为数据；
-
冷启动问题（新用户/物品没有行为，也找不到类似用户）
-
灰羊问题（个别口味特殊的用户找不到口味类似的用户）
-
因为采用历史行为数据，不易修改，不够灵活
-
覆盖率较低（数据稀疏问题，很多物品没有行为）
4.1 基于用户的CF
基于用户行为计算用户之间的相关性，再通过当前用户行为找到相似度高的用户，然后把他们喜欢的物品推荐给当前用户。
4.2 基于物品的CF
基于用户行为计算物品之间的相关性，再通过当前用户对物品的行为对喜欢的物品找到相似度高的物品，然后推荐给当前用户。
5.因子分解 ☆
- 资料：
-
基本原理：对用户历史行为数据建立用户-物品评分矩阵，然后使用矩阵分解相关算法进行因子分解，得到低维稠密的用户特征矩阵和物品特征矩阵，然后两个矩阵相乘就可以得到估计的得分矩阵。
-
优点：
- 可以处理一定的数据稀疏问题
- 缺点：
-
很依赖历史行为数据量
-
速度可能会非常缓慢，并且计算成本比较高
-
物品相关推荐集更多的是基于行为，不太适合做详情页推荐
6. 深度学习
目前有很多深度学习推荐系统的研究，但是还没有端到端的纯dl的方法。目前我了解到的有：
-
基于电影海报的深度学习方法: 其实也是基于内容的，只是用深度学习来获取海报图像的内容。
-
youtube视频推荐: 整个推荐系统分为候选集生成（也称为搜索/召回）和排序两个阶段。其中召回阶段负责基于用户画像及场景数据从海量的视频库（百万级别）中将相关度最高的资源检索出来，作为候选集； 排序阶段负责基于更加精细的特征对候选集（百级别）进行排序，最终呈现给用户的只是很少一部分数据。
7.其它
- MovieTaster-使用Item2Vec做电影推荐: 把Word2Vec迁移到item-based CF.这篇博文是根据豆瓣的豆列来做的。从自然语言序列迁移到物品集合，丢失了空间／时间信息，还无法对用户行为程度建模（喜欢和购买是不同程度的强行为）。好处是可以忽略用户－物品关系，即便获得的订单不包含用户信息，也可以生成物品集合。而论文的结论证明，在一些场景下序列信息的丢失是可忍受的。
网友评论