1、item based collective filtering
總結：物以類聚
很多**的核心演算法之一
原因：item的增長速度遠小於user的增長速度
方法：離線計算item的相似度矩陣供線上使用
缺點：由於基於item的相似性，故推薦的item相似，缺乏多樣性
2、user based collective filtering
總結：人以群分
找和使用者有相同品味的其他使用者
適用範圍：item更新頻繁的應用
方法：通過相似使用者喜歡的item推薦給該使用者
3、content based
好處：沒有資料稀疏問題
4、slope one
方法：slope one的基本概念很簡單, 例子1, 使用者x, y和a都對item1打了分. 同時使用者x,y還對item2打了分, 使用者a對item2可能會打多少分呢?
user
rating to item 1
rating to item 2x5
3y43
a4?
根據slopeone演算法, 應該是:4 - ((5-3) + (4-3))/2 = 2.5.
優點：簡單，快速
5、svd
singular value decomposition（奇異值分解）
總結：擒賊先擒王。 抓主要矛盾，忽略次要矛盾
這個方法是提取一般實矩陣「特徵值」的演算法，（這裡特徵值加引號是因為，特徵值是針對方陣來定義的，而一般的m*n的實矩陣是沒有特徵值的。）
將乙個m*n的實矩陣和它的轉置相乘，就會得到乙個方陣，然後對這個方陣做特徵值分解，得到的特徵值就是所謂的奇異值的平方。
拿到奇異值後，我們就可以抓到主要的成分，丟掉次要和非常次要的成分進行分析。也就是說，我們可以對原來的龐大的常常又非常稀疏的矩陣進行降維和分解，而分解後得到的矩陣都是稠密矩陣。最終我們會得到乙個表示user特性的矩陣和乙個表示item特性的矩陣。拿到這些資料之後，我們就可以進行推薦了，而且也可以很容易地進行聚類分析。
好處在於，可以解決rating矩陣的稀疏性問題，同時可以降低矩陣的維度，提高運算速度。但它的缺點是付出的空間代價太大
6、聚類演算法
這裡用到的聚類演算法，是用來降低維度以及為平行計算作準備的。
拿到rating矩陣之後，可以通過這些評分將使用者自然地聚成幾簇，然後用上述的演算法對各個簇做推薦演算法平行計算，充分地利用好所有計算資源。
當然你也可以在svd分解之後，拿到user和item矩陣之後，對這兩個矩陣分別作聚類分析，你可以得到user的簇以及item的簇。這樣的結果會非常有意義，你可以作好友推薦，相似item推薦等等。
在基於內容的演算法中，因為很多資訊之間並不是那麼的相關，把他們都相互計算相似度，會得到很多的0，所以沒有必要。因此可以在計算之前，對整個item做個聚類，然後分別對各簇來做相似度計算。
最簡單的就是k-means。
7、組合演算法
總結：博採眾長
任何乙個演算法都有它獨特的優勢和固有的缺陷，因此單用乙個演算法的web應用很少，往往是將各種演算法組合起來用。
1：將多種演算法計算出來的結果，加權之後排序推薦給使用者。
2：將多種演算法計算出來的結果，各取前幾個推薦給使用者，這樣做的好處是結果很豐富多彩。
3：用svd演算法填充後的矩陣作為輸入，用普通cf做計算來輸出，然後排序推薦。這種叫做層次推薦，可以得到兩種方法的好處。
4：對新使用者做基於內容的推薦，因為新使用者沒有任何評分資料，對老使用者用cf來做。
。。。。
推薦演算法專案（二）演算法分類
1.實時與離線 2.是否個性化，還是基於統計 3.基於模型去推薦，隨機規則 若使用者 a 與 使用者 b 相似，則推薦 a 使用者喜歡的物品給使用者 b 對於沒有明確含義的使用者資訊 登入時間，地域等sangxi 可以通過聚類等手段，給使用者打上分類標籤 對於特定標籤的使用者，又可以根據預設的規則 ...
推薦演算法大整理 分類
a.基於流行度的演算法 基於流行度的演算法非常簡單粗暴，類似於各大新聞 微博熱榜等，根據pv uv 日均pv或分享率等資料來按某種熱度排序來推薦給使用者。這種演算法的優點是簡單，適用於剛註冊的新使用者。缺點也很明顯，它無法針對使用者提供個性化的推薦。基於這種演算法也可做一些優化，比如加入使用者分群的...
python kNN基礎演算法 分類和推薦系統
1 k 近鄰演算法是分類資料最簡單最有效的方法。2 在將資料輸入到分類器之前，必須將待處理資料的格式改變為分類器可以接受的格式。3 所有的推薦模型都可以使用這個演算法，只要將結果量化就行了，主要是要考慮權重的設計。coding utf 8 數字型聚類分析 from numpy import impo...