江湖一号

作者：Razzit 链接：https://www.zhihu.com/question/199****4/answer/250****2 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 历史上，关联规则是最先被想到的推荐方法，啤酒和尿布的例子大家应该耳熟，不过某次去中科大参加龙星课程，据老师讲，当时IBM那帮人做关联规则苦于没有数据集，于是杜撰了一个数据集，结果跑出了啤酒和尿布这一奇葩，最后竟然大家都相信了。关联规则最重要的就是发现共现关系（挖掘频繁项目集），经典算法有Apriori算法、FP-GROWTH算法。关联规则的应用场景是大量的用户购买了A之后还会接着购买了B和C，于是一旦发现用户购买了A，系统就会给用户推荐B和C。这个应用场景放在购物上是非常合适的，因为我们购物往往是根据当前的需求，也就是说用户购物的兴趣点是随着时间在变化的。关联规则可以给用户推荐完全不相似的物品，比如购买了数码相机，系统会推荐SD卡、数码相机电池等，在推荐系统领域专业的术语叫做推荐结果的多样性。计算复杂度是关联规则挖掘最严重的缺点，随着频繁项目集大小的增加，挖掘的代价越来越高，尤其在数据集比较大的情况下，这就促使人们去寻找更加高效的方法。协同过滤方法是一大类方法的统称，包括近邻方法，降维方法等等，所谓协同过滤简单来讲就是要给用户推荐和其相似的用户购买过的物品。大家很熟悉的基于物品的相同过滤方法就属于近邻方法，基于物品的相同过滤首先由Amazon(电子商务领域运用推荐系统的代表，据其某位前科学家在博客中披露，2006年，推荐系统对Amazon营业额的贡献在35%左右)提出来，其基本思想是预先根据所有用户的历史偏好数据计算物品之间的相似性，然后把与用户喜欢的物品相类似的物品推荐给用户，举个例子，物品a和c非常相似，因为喜欢a的用户同时也喜欢c，而用户A喜欢a，所以把c推荐给用户A。和基于物品的协同过滤方法相对应的是基于用户的协同过滤方法，其基本思想是如果用户A喜欢物品a，用户B喜欢物品a、b、c，用户C喜欢a和c，那么认为用户A与用户B和C相似，因为他们都喜欢a，而喜欢a的用户同时也喜欢c，所以把c推荐给用户A。该算法用最近邻居（nearest-neighbor）算法找出一个用户的邻居集合，该集合的用户和该用户有相似的喜好，算法根据邻居的偏好对该用户进行预测。除了近邻模型，降维模型也应用的非常普遍，具体的模型如Netflix比赛中Simon使用的由矩阵奇异值分解改造而来的隐因子模型(Netflix Update: Try This at Home)，受限玻尔兹曼机模型等等，降维模型的共同特点就是要将数据使用更加抽象的低维特征表示，从而能够避免原始数据大量的干扰信息。谈到降维模型，不得不说最近很火的深度学习，深度学习可以自动学习数据的抽象特征，本人的硕士论文题目就是基于深度学习的个性化推荐系统，这里就不多少说了。暂时就写这么多了，有时间补充上基于内容推荐、混合推荐、基于上下文推荐等。