1樓：行走的表情包
基於使用者的協同過濾 userCF：優勢：可解釋性強，可快速完成item冷啟動
劣勢：缺乏新穎性。無法完成user冷啟動
應用：適用於物品特徵容易描述的情況
基於使用者的協同過濾 userCF：原理：推薦那些和他有共同興趣愛好的使用者喜歡的物品優勢：有一定的新穎性
劣勢：難解釋，缺乏使用者信任度，無法完成item冷啟動和user冷啟動應用：適用於使用者量少，實時性較強，使用者個性化興趣不太明顯的領域基於物品的協同過濾 itemCF：
原理：推薦和他之前喜歡的物品相似的物品
優勢：可解釋性強
劣勢：缺乏新穎性，無法完成user冷啟動和item冷啟動應用：適用於物品少，長尾物品豐富，使用者個性化需求強烈的領域基於社交網路的推薦：
優勢：可解釋性強，信任度高劣勢：有時不夠精準
2樓：酋長
1、基於物品或內容的推薦：產品剛上線，資料不足時常用，後期按需要靈活使用。意思可以理解為如果你購買了某物品，瀏覽了某內容，相同性質的物品或內容會被推薦；例如假設你瀏覽了馬斯克獵鷹重型火箭發射的內容，更多火箭發射的內容會被推薦；
3、基於人和物的綜合推薦：有一定資料基礎後使用，運算量較大，準確度較高；相關演算法很多，以潛在因子為例，可以理解為，如果物品或內容可以被拆分成若干屬性標籤，你已經購買了一些物品或瀏覽了一些內容，則可以算出你對各屬性標籤的偏好，有你強偏好屬性的物品或內容會被推薦！
以上僅僅是為了便於理解所做的簡單說明，也可以是繼續學習的思路框架，應用還需根據實際情況進一步研究……
3樓：Coder的技術之路
推薦演算法的分類前面的同學說的大概都很全面了，我想重點說下協同過濾，其實協同過濾不僅包含item user cf。其實，熱傳導物質傳播這類的基於圖的推薦演算法，還有基本svd分解的推薦演算法，也可以歸為協同過濾的變種，其目的，都是為了更好或更方便的獲得物品之間的相似度，或者是使用者和物品之間的聯絡程度，比如，熱傳導演算法，就是模擬了恆溫熱源的環境下，熱商品向冷商品的能量傳遞，可能對長尾商品的推薦更加適用，個人拙見
4樓：姚凱飛
下面貼了一張全域性圖，基本可以參考演算法層的那幾個常見演算法(強化、遷移、深度學習也慢慢走入推薦演算法的架構中)，每個演算法的存在基本都是以產品功能、形態導向(比如新聞、電商、金融產品在推薦中主體、時效、風險等因素均差異很大，需要使用不同演算法)，並且以某個演算法主導，並輔之以其它演算法(來解決主演算法的不足，或優化主演算法)，如冷啟動、商品深度、零結果率等問題。
5樓：腦洞預測
阮一峰寫過一系列基於使用者投票的排名演算法的文章。
這是第一篇：http://www.
如何做好 推薦演算法 ？有哪些常見的錯誤需要避免？
姚凱飛 1.關於如何做好 1.1巨集觀 做好推薦演算法必須以產品做為導向 見圖一 並輔之以全域性思維 整體優化 從設計方案 資料收集 架構到落地應用 1.2微觀 挖資料 洗資料 分析資料 合適的特徵 根據產品 資料形態選合適的演算法 根據評估指標調優 調參 中間是不斷的嘗試 2.常見錯誤 舉了幾個例...
有哪些優秀的演算法題？
青橙 經典的 Top K 問題 什麼是 Top K 問題？簡單來說就是在一堆資料裡面找到前 K 大 當然也可以是前 K 小 的數。這個問題也是十分經典的演算法問題，不論是面試中還是實際開發中，都非常典型。而這個問題其實也有很多種做法，你真的都懂了麼？1.使用快速排序，這種在資料量比較小的時候可以，但...
圓的識別演算法有哪些？
圓的識別在影象處理裡面屬於比較基礎的問題，有很多的演算法都可以用來進行圓的識別，其中比較常用的主要有 Circular Hough Transform CHT CHT屬於圓的檢測裡面最基本一類演算法，已經存在了好幾十年了，它基於的理論就是任何乙個圓都必須滿足 x a 2 y b 2 r 2這個基本公...