前言

在本文中，將詳細(xì)介紹多種類型的推薦系統(tǒng)，具體介紹基于近鄰算法的推薦引擎、個(gè)性化推薦引擎、基于模型的推薦系統(tǒng)和混合推薦引擎等，并分析介紹每種推薦系統(tǒng)的優(yōu)缺點(diǎn)。

主要介紹的不同類型的推薦系統(tǒng)包括：

• 近鄰算法推薦引擎：基于用戶的協(xié)同過(guò)濾和基于項(xiàng)目的協(xié)同過(guò)濾；

• 個(gè)性化推薦引擎：基于內(nèi)容的推薦引擎和情境感知推薦引擎；

• 基于模型的推薦引擎：基于機(jī)器學(xué)習(xí)的推薦引擎、分類模型-SVM/KNN、矩陣分解、奇異值分解、交替最小二乘法概述、混合推薦引擎。

0推薦引擎的發(fā)展

最近幾年，推薦系統(tǒng)發(fā)展迅猛。從簡(jiǎn)單的近鄰算法到個(gè)性化推薦再到情境感知推薦，從批處理推薦到實(shí)時(shí)推薦，從啟發(fā)式的相似度計(jì)算到更準(zhǔn)確、更復(fù)雜的機(jī)器學(xué)習(xí)方法的應(yīng)用。

在推薦系統(tǒng)發(fā)展的早期階段，生成推薦時(shí)只能基于用戶對(duì)產(chǎn)品的評(píng)級(jí)。在這段時(shí)期，研究人員只能使用現(xiàn)有的評(píng)級(jí)數(shù)據(jù)，使用簡(jiǎn)單的啟發(fā)式方法，例如：在計(jì)算相似度時(shí)，常采用諸如歐氏距離、皮爾遜系數(shù)、余弦相似度等。這些計(jì)算方法雖然簡(jiǎn)單，但是在相似度上的判斷，卻有非常好的表現(xiàn)，目前仍是一些推薦引擎比較常用的方法。

第一代推薦引擎可以稱為協(xié)同過(guò)濾或近鄰算法推薦。這些推薦算法雖然簡(jiǎn)單易用，在數(shù)據(jù)上也有不錯(cuò)的表現(xiàn)，但是也有它們自身的弱點(diǎn)和局限性，比如對(duì)已有數(shù)據(jù)過(guò)于依賴造成的冷啟動(dòng)問(wèn)題，即它們無(wú)法實(shí)現(xiàn)向新用戶 ( 指未對(duì)商品等進(jìn)行過(guò)任何評(píng)價(jià)的用戶 ) 進(jìn)行商品推薦，也無(wú)法向用戶推薦沒(méi)有評(píng)級(jí)的新商品。當(dāng)用戶對(duì)產(chǎn)品的評(píng)級(jí)很少時(shí)，這些推薦系統(tǒng)無(wú)法處理這類數(shù)據(jù)十分稀疏的情形。

為了克服這些限制，一些

總結(jié)

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（七十七）-主流推荐引擎技术及优缺点分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。