推荐系统的主要作用是什么（只需5步小白快速入( 二 ) _推荐系统

文章插图
【推荐系统的主要作用是什么（只需5步小白快速入】如果用户A读过“ ”、“ Pool”和“”，而用户B已经读过“ ”和“”，那么当我们推荐B时，推荐系统计算A和的相似度B比较高，但是用户B没有读过A读过的“流量池”，所以推荐给用户B的“流量池”，就是经典的基于用户的协同过滤。
从上面的描述可以看出，基于用户的协同过滤算法主要包括两个步骤：
找到一组与目标用户兴趣相近的用户；在这个集合中找到用户喜欢的和目标用户没有听说过的项目，推荐给目标用户。
(2）基于物品的协同过滤算法()
在介绍基于物品的协同过滤之前，我们先来看看基于用户的协同过滤可能带来的问题。
基于项目的协同过滤算法，向用户推荐与他们之前喜欢的项目相似的项目。

文章插图
用户A、B、C分别喜欢的物品如图所示，物品2和物品1的相似度计算公式为：
item 2和item 1的相似度=同时喜欢item 1和item 2的用户数/同时喜欢item 1的用户数=2/3；第 3 项和第 1 项的相似度 = 0；第 4 项和第 1 项的相似度 = 1；如果推荐喜欢项目1的用户D，则推荐优先级为4>2>3 。
基于项目的协同过滤算法的主要步骤包括：
计算物品之间的相似度；根据物品的相似度和用户的历史行为，为用户生成推荐列表。
以上只是协同过滤算法的基本原理。现实中的算法模型远比这复杂，很少使用单一模型，基本上是组合模型。我刚开始做推荐系统。至于更复杂的矩阵分解、基于机器学习的推荐算法等，我自己摸索出来，单独分享给大家。
四、推荐系统冷启动
推荐系统需要现有的连接来预测用户和项目之间的未来连接。
对于BAT（百度腾讯阿里）、TMD（今日头条美团滴滴）等巨头来说，积累了大量的用户数据，在智能推荐产品时不存在冷启动问题。
对于很多没有大量用户数据的产品，在这种情况下如何设计一个推荐系统，让用户对推荐结果感到满意，让他们愿意使用推荐系统，这就是冷启动的问题。
冷启动问题主要分为两类：
(1）用户冷启动
用户冷启动主要解决新用户或非活跃用户如何进行个性化推荐的问题。当一个新用户到来时，我们没有他的行为数据，所以我们无法根据他的历史行为预测他的兴趣，所以我们无法为他做出个性化的推荐。
(2）物品冷启动
物品冷启动主要解决如何向可能感兴趣的用户推荐新物品或印象较少的物品的问题。
一般来说，解决冷启动问题可以参考以下方法：
利用用户提供的年龄、性别等数据进行粗粒度的个性化推荐；使用用户的社交网络账号登录（需要用户授权），导入用户在社交网站的好友信息，然后推荐用户好友喜欢的物品；要求新注册用户在首次登录时选择一些兴趣标签，并根据收集到的用户兴趣信息向用户推荐相似的商品；向新用户或不活跃用户推荐热门排名，然后等到收集到用户数据。在特定时间，切换到个性化推荐。五、评估推荐系统的效果
推荐系统的推荐质量可以通过以下指标来评价，这些指标也是算法模型迭代优化的基础，作为推荐系统的反馈结果。这些指标有的可以定量计算，有的只能定性描述。
(1）预测准确率
准确度体现在用户对推荐内容的点击率、点击后的各种主动行为（购买、分享等）以及停留时长。
(2）覆盖范围
覆盖率描述了推荐系统发现项目长尾的能力。最简单的定义是推荐系统推荐的项目占总项目的比例。