推薦系統的分類方式有很多種，在不同的資料中也給出了不同的分類方式，
我們可以獲得的資料總體來說有三種：用戶的資訊，物品的資訊，和用戶的行為資訊，按斬訓得資料的不同也可以將推薦系統分為三種：(1).基于人口統計學的推薦，（2）.基于內容的推薦，(3).基于協同過濾的推薦，
基于人口統計學的推薦
當我們拿到用戶的一些標簽資訊時，我們可以采用基于人口統計學的推薦，根據用戶的特征可以找到與目標用戶相似的用戶，再根據相似用戶的喜好對目標用戶進行推薦，
·基于人口統計學的推薦機制(Demographic-based Recommendation)是一種最易于實作的推薦方法，它只是簡單的根據系統用戶的基本資訊發現用戶的相關程度，然后將相似用戶喜愛的其他物品推薦給當前用戶
·對于沒有明確含義的用戶資訊（比如登錄時間、地域等背景關系資訊），可以通過聚類等手段，給用戶打上分類標簽
·對于特定標簽的用戶，又可以根據預設的規則（知識）或者模型，推薦出對應的物品，
用戶資訊標簽化的程序一般被稱為用戶畫像，
基于內容的推薦演算法
當拿到物品的基本資訊時，可以計算物品的相似度來進行推薦，
. Content-based Recommendations (CB)根據推薦物品或內容的元資料，發現物品的相關性，再基于用戶過去的喜好記錄，為用戶推薦相似的物品，·通過抽取物品內在或者外在的特征值，實作相似度計算，
-比如一個電影，有導演、演員、用戶標簽UGC、用戶評論、時長、風格等等，都可以算是特
征，
·將用戶(user)個人資訊的特征（基于喜好記錄或是預設興趣標簽)，和物品(item）的特征相匹配，就能得到用戶對物品感興趣的程度
-在一些電影、音樂、圖書的社交網站有很成功的應用，有些網站還請專業的人員對物品進行基
因編碼/打標簽(PGC)，
相似度計算
相似度的評判，可以用距離表示，而一般更常用的是"余弦相似度，
余弦相似度可以看作是衡量倆個向量的夾角大小，夾角越小，余弦相似度越大，兩個向量的相似程度越大，
特征提取
對于物品的特征提取——打標簽(tag)
-專家標簽(PGC)
-用戶自定義標簽（UGC)
-降維分析資料,提取隱語意標簽(LFM)
對于文本資訊的特征提取———關鍵詞
-分詞、語意處理和情感分析(NLP)
-潛在語意分析（LSA)
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/241981.html
標籤：其他
下一篇：2020/12/28 “fatal: Could not read from remote repository.”的解決方案（碼云 gitee）