【Martin導(dǎo)讀】隨著互聯(lián)網(wǎng)特別是社會化網(wǎng)絡(luò)的快速發(fā)展，我們正處于信息過載的時(shí)代。用戶面對過量的信息很難找到自己真正感興趣的內(nèi)容，而內(nèi)容提供商也很難把優(yōu)質(zhì)的內(nèi)容準(zhǔn)確推送給感興趣的用戶。推薦系統(tǒng)被認(rèn)為是解決這些問題的有效方法，它對用戶的歷史行為進(jìn)行挖掘，對用戶興趣進(jìn)行建模，并對用戶未來的行為進(jìn)行預(yù)測，從而建立了用戶和內(nèi)容的關(guān)系。

本文詳細(xì)介紹了推薦系統(tǒng)中的常用算法及優(yōu)缺點(diǎn)對比，以便我們能在不同的情況下，選擇合適的推薦技術(shù)和方案。

推薦方法是整個(gè)推薦系統(tǒng)中最核心、最關(guān)鍵的部分，很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣。目前，主要的推薦方法包括：基于內(nèi)容推薦、協(xié)同過濾推薦、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦、基于知識推薦和組合推薦。

一、基于內(nèi)容推薦

基于內(nèi)容的推薦（Content-based Recommendation）是信息過濾技術(shù)的延續(xù)與發(fā)展，它是建立在項(xiàng)目的內(nèi)容信息上作出推薦的，而不需要依據(jù)用戶對項(xiàng)目的評價(jià)意見，更多地需要用機(jī) 器學(xué)習(xí)的方法從關(guān)于內(nèi)容的特征描述的事例中得到用戶的興趣資料。在基于內(nèi)容的推薦系統(tǒng)中，項(xiàng)目或?qū)ο笫峭ㄟ^相關(guān)的特征的屬性來定義，系統(tǒng)基于用戶評價(jià)對象 的特征，學(xué)習(xí)用戶的興趣，考察用戶資料與待預(yù)測項(xiàng)目的相匹配程度。用戶的資料模型取決于所用學(xué)習(xí)方法，常用的有決策樹、神經(jīng)網(wǎng)絡(luò)和基于向量的表示方法等。 基于內(nèi)容的用戶資料是需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化。

基于內(nèi)容推薦方法的優(yōu)點(diǎn)是：

1）不需要其它用戶的數(shù)據(jù)，沒有冷開始問題和稀疏問題。

2）能為具有特殊興趣愛好的用戶進(jìn)行推薦。

3）能推薦新的或不是很流行的項(xiàng)目，沒有新項(xiàng)目問題。

4）通過列出推薦項(xiàng)目的內(nèi)容特征，可以解釋為什么推薦那些項(xiàng)目。

5）已有比較好的技術(shù)，如關(guān)于分類學(xué)習(xí)方面的技術(shù)已相當(dāng)成熟。

缺點(diǎn)是要求內(nèi)容能容易抽取成有意義的特征，要求特征內(nèi)容有良好的結(jié)構(gòu)性，并且用戶的口味必須能夠用內(nèi)容特征形式來表達(dá)，不能顯式地得到其它用戶的判斷情況。

二、協(xié)同過濾推薦

協(xié)同過濾推薦（Collaborative Filtering Recommendation）技術(shù)是推薦系統(tǒng)中應(yīng)用最早和最為成功的技術(shù)之一。它一般采用最近鄰技術(shù)，利用用戶的歷史喜好信息計(jì)算用戶之間的距離，然后 利用目標(biāo)用戶的最近鄰居用戶對商品評價(jià)的加權(quán)評價(jià)值來預(yù)測目標(biāo)用戶對特定商品的喜好程度，系統(tǒng)從而根據(jù)這一喜好程度來對目標(biāo)用戶進(jìn)行推薦。協(xié)同過濾最大優(yōu) 點(diǎn)是對推薦對象沒有特殊的要求，能處理非結(jié)構(gòu)化的復(fù)雜對象，如音樂、電影。

協(xié)同過濾是基于這樣的假設(shè)：為一用戶找到他真正感興趣的內(nèi)容的好方法是首先找到與此用戶有相似興趣的其他用戶，然后將他們感興趣的內(nèi)容推薦給此用戶。其基本 思想非常易于理解，在日常生活中，我們往往會利用好朋友的推薦來進(jìn)行一些選擇。協(xié)同過濾正是把這一思想運(yùn)用到電子商務(wù)推薦系統(tǒng)中來，基于其他用戶對某一內(nèi) 容的評價(jià)來向目標(biāo)用戶進(jìn)行推薦。

基于協(xié)同過濾的推薦系統(tǒng)可以說是從用戶的角度來進(jìn)行相應(yīng)推薦的，而且是自動的，即用戶獲得的推薦是系統(tǒng)從購買模式或?yàn)g覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調(diào)查表格等。

和基于內(nèi)容的過濾方法相比，協(xié)同過濾具有如下的優(yōu)點(diǎn)：

1） 能夠過濾難以進(jìn)行機(jī)器自動內(nèi)容分析的信息，如藝術(shù)品，音樂等。

2） 共享其他人的經(jīng)驗(yàn)，避免了內(nèi)容分析的不完全和不精確，并且能夠基于一些復(fù)雜的，難以表述的概念（如信息質(zhì)量、個(gè)人品味）進(jìn)行過濾。

3） 有推薦新信息的能力?？梢园l(fā)現(xiàn)內(nèi)容上完全不相似的信息，用戶對推薦信息的內(nèi)容事先是預(yù)料不到的。這也是協(xié)同過濾和基于內(nèi)容的過濾一個(gè)較大的差別，基于內(nèi)容的過濾推薦很多都是用戶本來就熟悉的內(nèi)容，而協(xié)同過濾可以發(fā)現(xiàn)用戶潛在的但自己尚未發(fā)現(xiàn)的興趣偏好。

4） 能夠有效的使用其他相似用戶的反饋信息，較少用戶的反饋量，加快個(gè)性化學(xué)習(xí)的速度。
雖然協(xié)同過濾作為一種典型的推薦技術(shù)有其相當(dāng)?shù)膽?yīng)用，但協(xié)同過濾仍有許多的問題需要解決。最典型的問題有稀疏問題（Sparsity）和可擴(kuò)展問題（Scalability）。

三、基于關(guān)聯(lián)規(guī)則推薦

基于關(guān)聯(lián)規(guī)則的推薦（Association Rule-based Recommendation）是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，把已購商品作為規(guī)則頭，規(guī)則體為推薦對象。關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過程中的相關(guān)性，在零 售業(yè)中已經(jīng)得到了成功的應(yīng)用。管理規(guī)則就是在一個(gè)交易數(shù)據(jù)庫中統(tǒng)計(jì)購買了商品集X的交易中有多大比例的交易同時(shí)購買了商品集Y，其直觀的意義就是用戶在購 買某些商品的時(shí)候有多大傾向去購買另外一些商品。比如購買牛奶的同時(shí)很多人會同時(shí)購買面包。

算法的第一步關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)最為關(guān)鍵且最耗時(shí)，是算法的瓶頸，但可以離線進(jìn)行。其次，商品名稱的同義性問題也是關(guān)聯(lián)規(guī)則的一個(gè)難點(diǎn)。

四、基于效用推薦

基于效用的推薦（Utility-based Recommendation）是建立在對用戶使用項(xiàng)目的效用情況上計(jì)算的，其核心問題是怎么樣為每一個(gè)用戶去創(chuàng)建一個(gè)效用函數(shù)，因此，用戶資料模型很大 程度上是由系統(tǒng)所采用的效用函數(shù)決定的?；谛в猛扑]的好處是它能把非產(chǎn)品的屬性，如提供商的可靠性（Vendor Reliability）和產(chǎn)品的可得性（Product Availability）等考慮到效用計(jì)算中。

五、基于知識推薦

基于知識的推薦（Knowledge-based Recommendation）在某種程度是可以看成是一種推理（Inference）技術(shù)，它不是建立在用戶需要和偏好基礎(chǔ)上推薦的?；谥R的方法因 它們所用的功能知識不同而有明顯區(qū)別。效用知識（Functional Knowledge）是一種關(guān)于一個(gè)項(xiàng)目如何滿足某一特定用戶的知識，因此能解釋需要和推薦的關(guān)系，所以用戶資料可以是任何能支持推理的知識結(jié)構(gòu)，它可以 是用戶已經(jīng)規(guī)范化的查詢，也可以是一個(gè)更詳細(xì)的用戶需要的表示。

六、組合推薦

由于各種推薦方法都有優(yōu)缺點(diǎn)，所以在實(shí)際中，組合推薦（Hybrid Recommendation）經(jīng)常被采用。研究和應(yīng)用最多的是內(nèi)容推薦和協(xié)同過濾推薦的組合。最簡單的做法就是分別用基于內(nèi)容的方法和協(xié)同過濾推薦方法 去產(chǎn)生一個(gè)推薦預(yù)測結(jié)果，然后用某方法組合其結(jié)果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中并不見得都有效，組合推薦一個(gè)最重要原則就是通 過組合后要能避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)。

在組合方式上，有研究人員提出了七種組合思路：

1）加權(quán)（Weight）：加權(quán)多種推薦技術(shù)結(jié)果。

2）變換（Switch）：根據(jù)問題背景和實(shí)際情況或要求決定變換采用不同的推薦技術(shù)。

3）混合（Mixed）：同時(shí)采用多種推薦技術(shù)給出多種推薦結(jié)果為用戶提供參考。

4）特征組合（Feature combination）：組合來自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用。

5）層疊（Cascade）：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進(jìn)一步作出更精確的推薦。

6）特征擴(kuò)充（Feature augmentation）：一種技術(shù)產(chǎn)生附加的特征信息嵌入到另一種推薦技術(shù)的特征輸入中。

7）元級別（Meta-level）：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入。

七、主要推薦方法的對比

各種推薦方法都有其各自的優(yōu)點(diǎn)和缺點(diǎn)，見表1。

文章來源：36大數(shù)據(jù)