作者：HaigLee
https://www.jianshu.com/u/67ec21fb270d
本文由 HaigLee 发布。未经许可，禁止转载。
传统的推荐算法包括但不局限于关联规则、基于内容的推荐算法、协同过滤推荐算法（及各种协同过滤优化）、基于标签的推荐算法。
1. 传统推荐算法的局限
这里来说以下相关算法在工业界中的应用问题。
1.1. 海量数据
在协同过滤推荐算法中，能利用最新的信息及时为用户相对准确的用户兴趣度预测，或者进行推荐。但是面对日益增多的用户，数据量急剧增加，算法的扩展性问题（即适应系统规模不断扩大的问题）成为制约推荐系统实施的重要因素。
与基于规模的算法相比，全局数值算法虽然节约了为建立模型而花费的时间，但是其用于识别“最近邻居”算法的计算量会随着用户和物品的增加而急剧增大。所以通常该算法会遇到严重的扩展性瓶颈问题。
1.2.稀疏性
在电子商务网站中，活跃用户所占的比例很小，大部分用户都是非活跃用户，非活跃用户购买或点击的商品数目也很少。因此，在使用协同过滤算法构建矩阵时，矩阵会非常稀疏；使用基于内容的推荐算法为用户构建的偏好矩阵也是非常稀疏的。
1.3. 实时性
推荐系统能实时地更新推荐列表来满足用户新的行为变化；
推荐系统能把新加入系统的物品推荐给用户。
而传统的协同过滤算法每次都需要计算所有用户和物品的数据，难以在“秒”级内捕捉到用户的实时兴趣变化。
作者：HaigLee
https://www.jianshu.com/u/67ec21fb270d
本文由 HaigLee 发布。未经许可，禁止转载。
网友评论