知识卡片
三种推荐算法边界
个性化推荐常用三类算法,各自的核心假设和适用边界完全不同。协同过滤:假设”跟你喜好相似的人喜欢的东西你也很可能喜欢”,不需要产品或行业专业知识,能推荐内容差异较大但用户确实感兴趣的商品,随时间自动学习提升;但存在三个固有缺陷——稀疏性问题(用户评价数据太少,相似度计算不准)、可扩展性问题(用户和商品增多后系统性能下降)、冷启动问题(新用户没有历史行为、从未被评价的商品都无法进入推荐)。基于内容:假设”用户会喜欢和他过去喜欢的东西相似的内容”,只依赖待推荐对象本身的属性、类目、关键词,不依赖大量用户点击日志,因此在待推荐对象数量庞大、变化快、点击数据稀少的场景(如新闻资讯)表现好,也能应对协同过滤解决不了的冷启动问题;但缺点是只能推荐和已有兴趣相似的内容,无法帮用户发现全新的兴趣,且要提高精度就得增加特征维度,维度一增加计算量呈指数级增长。基于知识:不需要任何用户行为数据,而是让用户主动指定需求(如广告要投放给某地区某年龄段),系统据此推理匹配,因此完全不受冷启动问题困扰,多用于精准广告这类用户行为数据本就稀少的场景。三种算法的选型逻辑本质是”有没有用户历史行为数据”与”能不能容忍推荐结果局限在已知兴趣范围内”的权衡。
结构图:
flowchart TB
A["三种推荐算法选型"]
A --> B["协同过滤:相似人群假设<br/>能推新兴趣,但冷启动/稀疏/扩展性差"]
A --> C["基于内容:相似内容假设<br/>不依赖点击日志,抗冷启动,但发现不了新兴趣"]
A --> D["基于知识:用户主动指定需求<br/>完全不依赖行为数据,适合精准广告场景"]
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
原书出处
参考来源
- 位置:《企业大数据系统构建实战:技术、架构、实施与应用》第9章《企业大数据业务应用》"9.3.2 主要实现过程"与"9.3.5 场景总结回顾"(源文件:_epub-src/OEBPS/text00142.html、text00145.html)
- 结论依据:原文说明协同过滤"这种方法可以推荐一些内容上差异较大但又是用户感兴趣的产品……对于新用户以及没有学习基础的营销推荐系统,该推荐算法可能产生质量较差的情况",基于内容"不依赖于大量用户的点击日志……但该方法的缺点是……只能发现和客户已有兴趣相似的资源",基于知识"这种方法不需要用户行为数据就能推荐,所以不存在清空缓存或者完全没有浏览记录不能使用的情况",直接支撑本卡结构图。
- 原始内容:协同过滤算法……这种方法可以推荐一些内容上差异较大但又是用户感兴趣的产品……基于内容的贝叶斯推荐方法……该算法不依赖于大量用户的点击日志……基于知识的推荐……这种方法不需要用户行为数据就能推荐