协同过滤推荐算法详解 如何理解协同过滤？
如何理解协同过滤？
基于用户的协同过滤主要基于用户之间的相似性（取决于用户的历史偏好数据）。首先计算用户之间的相似度，然后将用户喜欢的项目推荐给相似的用户。也就是说，当用户需要个性化推荐时，可以先通过兴趣爱好或行为习惯等找到与自己相似的其他用户，然后推荐那些喜欢和不知道的相似用户。
基于项目之间的相似度，基于项目的协同过滤首先计算项目之间的相似度，然后根据用户的评分将用户喜欢的相似项目推荐给用户。也就是说，当一个用户需要个性化推荐时，比如说，因为他之前购买过《集体智能编程》一书，他会推荐《机器学习实践》一书，因为其他很多用户同时购买了这两本书。
基于用户的协同过滤需要在线（系统上线后）找到用户之间的相似关系，计算复杂度肯定会高于基于文章的协同过滤。同时，我们还需要考虑推荐算法的冷启动问题（如何在没有大量用户数据的情况下让用户满意推荐结果）。例如，我们可以让用户在注册时选择自己感兴趣的领域来生成粗粒度的推荐。
基于用户的协同过滤是推荐用户喜欢的、与他们有共同兴趣的项目。因此，基于用户的协同过滤推荐更具社会性，即推荐的项目是群组中符合用户兴趣的热点项目，并且可以向用户推荐新类别的项目。
基于项目的协作过滤是推荐与用户以前喜欢的项目相似的项目。基于项目的协同过滤更具个性化，因为推荐的项目一般都满足自己的独特兴趣，所以更适合用户个性化需求强烈的领域。然而，由于商品的相似性相对稳定，很难向用户推荐新的商品类别。如果我们像大海一样进入震撼人心的声音深处，可以说一笔巨资就能带来整个品牌的火爆，它就成为了品牌的营销品牌，而15年代短视频的赢家就是其系统不断输出tiktok的强大能力。
然后我们必须了解算法背后的逻辑：流量池、覆盖推荐、热权重和用户心理追求。看到下面的图片后，您就可以理解摇动tiktok的一般算法了。
抖音的推荐算法是怎样的？
1. 从科学的角度来说，你想看到的就是你想看到的。生活，信息变得更容易。
2. 从商业角度来说，它是让你看到你可能消费什么，什么会诱惑你消费。
互联网公司推崇「个性化算法」，会让人们只能获取片面的信息吗？
今天的头条新闻使用个性化推荐来提高用户的浏览时间。个性化推荐中最常用的算法是协同过滤算法，包括基于文章的协同过滤和基于用户的协同过滤。作为一个成年人，像你这样的人会把他们喜欢的新闻推给你，那些看过新闻a的人也会浏览新闻B，所以他们会向你推荐新闻B。同时，根据用户的浏览轨迹和偏好，不断更新迭代后的用户标签（user profile），提高推荐的准确性。在个性化推荐中，冷启动阶段很难判断用户的偏好，因为很难推荐出能够吸引用户注意力的新闻。大观数据采用多种策略提高冷启动用户的推荐质量。最重要的一点是需要在几秒钟内生成用户肖像，以快速完成冷热转换，保证用户的保留率。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
