出現 育兒 歷史 ID 混合 用戶需求 目標 相同 需要

前題

要做推薦系統的前題，就是要信息出現過載， 即如何從成千上萬的物品中，選出最合適的物品供用戶參考。 如果可供選擇的基數僅有幾個， 就不需要推薦系統了， 直接把所有選項提供給用戶就行了。

推薦技術

基於內容推薦

基於內容相似度的進行推薦，顧名思義，把與你喜歡的內容和相似內容推薦給你。怎麽來確定是你喜歡或者相似的內容呢？ 通常采用用戶有歷史的瀏覽記錄和搜索的相關內容。

基於內容的推薦只考慮了對象的本身性質，將對象按標簽形成集合，如果你消費集合中的一個則向你推薦集合中的其他對象；

協同過濾推薦

1)基於用戶的協同過濾推薦(User-based Collaborative Filtering Recommendation)

先使用統計技術尋找與目標用戶有相同喜好的鄰居，然後根據目標用戶的鄰居的喜好產生向目標用戶的推薦。基本原理就是利用用戶訪問行為的相似性來互相推薦用戶可能感興趣的資源
(2)基於物品的協同過濾推薦(Item-based Collaborative Filtering
Recommendation)

【協同過濾】與【基於內容推薦】區別
1、協同過濾算法與基於內容推薦算法所使用的數據維度不同。 【協同過濾】側重使用用戶對於商品的歷史交互記錄，即用戶-商品二維矩陣；而【基於內容推薦】側重於對用戶或者項目的屬性信息建模，比如用戶的性別、年齡，商品的顏色、大小等屬性。對於同一用戶而言：【基於內容推薦】需要利用用戶的性別、年齡、愛好等組成特征向量來表示；而【協同過濾】需要根據該用戶所在矩陣的某一行來進行表示，即利用用戶對於所有商品的交互記錄來表示。換句話說，協同過濾算法中的用戶/商品表示可以看做特殊的基於內容的表示，只不過是把用戶的具體內容屬性換為了用戶的歷史行為特征。

2、協同過濾算法與基於內容推薦算法的核心思想不同。 【協同過濾】側重於從大數據（集體智慧）中尋找某些隱含的模式，即通過用戶對於商品的歷史交互記錄來尋找相似的用戶；而【基於內容推薦】則側重於通過對象的屬性信息來進行匹配建模進而尋找相似的用戶或者商品。
3、協同過濾算法與基於內容推薦算法的實現技術不同。 【協同過濾】將用戶-商品評分二維矩陣當做輸入送入模型進行訓練進而產生輸出，典型的模型為矩陣分解、user-based cf，item-based cf；而【基於內容推薦】側重將用戶或者商品的特征信息作為輸入特征，進而送入分類器進行建模，典禮的模型為LR。
4、協同過濾算法與基於內容推薦算法好壞的決定因素不同。 【協同過濾】算法隨著用戶對於商品的交互記錄增多會使得模型能夠更精確的捕捉用戶的行為習慣，進而使得模型能夠不費用額外的人工的方式來提高精度（但他在初期會面臨冷啟動問題的困擾）。【基於內容推薦】側重於特征工程，算法的好壞由用戶和商品的內容屬性所決定，因此需要較強的領域知識，但他的好處是不存在冷啟動的問題。

基於人口統計學的推薦

性別 年齡 婚戀育兒感情狀態， 語言， 國家，制定推薦規則

基於知識的推薦

根據特定領域知識進行推薦物品。 用函數來估計用戶需求(問題描述)與推薦(解決問題)的物品

基於社區的推薦

這種依賴用戶朋友的偏好， 一種比較流行的說法是"告訴我你的朋友是誰， 我就知道你是誰。"。 比較QQ查詢好像時， 它會推薦你可能認識的朋友。

混合推薦系統

及混合上述合推薦方法

推薦系統-02-推薦技術