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流行度排序，例如把熱榜上的體育內容優先推薦給體育迷，把政要熱文推給熱愛談***的使用者。
b. 協同過濾演算法
協同過濾演算法(collaborative filtering, cf) 包括基於使用者的cf(user-based cf)和基於物品的cf(item-based cf)。
基於使用者的cf原理如下：
分析各個使用者對item的評價（通過瀏覽記錄、購買記錄等）；
依據使用者對item的評價計算得出所有使用者之間的相似度；
選出與當前使用者最相似的n個使用者；
將這n個使用者評價最高並且當前使用者又沒有瀏覽過的item推薦給當前使用者
缺點：依賴於準確的使用者評分；
在計算的過程中，那些大熱的物品會有更大的機率被推薦給使用者；
冷啟動問題。當有一名新使用者或者新物品進入系統時，推薦將無從依據；
在一些item生存周期短（如新聞、廣告）的系統中，由於更新速度快，大量item不會有使用者評分，造成評分矩陣稀疏，不利於這些內容的推薦。
之後再計算向量距離，便可以得出該使用者和新聞的相似度了。
總結：很好地解決冷啟動問題，並且也不會囿於熱度的限制，因為它是直接基於內容匹配的，而與瀏覽記錄無關。然而它也會存在一些弊端，比如過度專業化(over-specialisation)的問題。這種方法會一直推薦給使用者內容密切關聯的item，而失去了推薦內容的多樣性。
推薦演算法分類
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 co...
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 ...
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...