蓝盟IT小贴士，来喽！
大数据平台只是提供了数据获取、存储、计算、应用的技术方案，真正挖掘这些数据之间的关系使数据发挥价值的是各种机器学习算法。 在这些算法中，最常见的是智能推荐算法。 让我们用一些简单的推荐算法来了解推荐算法背后的原理。
我们在淘宝购物，看头条新闻，用嘀嗒刷短视频，背后都是智能推荐算法。 这些算法会不断分析、计算我们的购物喜好、浏览习惯，并推荐我们可能会喜欢的商品、文章、视频。 这些产品的推荐算法非常智能高效，所以我们总是一打开淘宝就不停地买，一打开嘀嗒就停不下来。
01基于人口统计的建议
基于人口统计的推荐是一种比较简单的推荐算法，根据用户的基本信息进行分类，并将商品推荐给同类用户。 用户a和用户c年龄相近，性别相同，可以把他们归为同类。 由于用户a喜欢商品d，所以推测用户c也可能喜欢这个商品，系统可以向用户c推荐这个商品。
图1的例子比较简单，但实际上需要根据用户的收入、居住地区、学历、职业等各种因素对用户进行分类，使推荐的商品更加准确。
02基于商品属性的推荐
基于商品属性的推荐和基于人口统计的推荐类似，但是根据商品属性分类推荐的电影a和电影d是科幻、战争类型的电影，如果用户a喜欢电影a，他也很有可能喜欢电影d，所以向用户a推荐电影d
这也符合我们的生活常识。 如果一个人连续看好几条篮球新闻，再给他推荐一条篮球新闻，他很可能会感兴趣地看。
03基于用户的协同过滤推荐
基于用户的协同过滤推荐是根据用户的喜好进行用户分类，然后根据用户分类进行推荐。
在这个例子中，用户a和用户c都喜欢商品a和商品b，根据他们的喜好可以分类为同类。 用户a也喜欢商品d，所以向用户c推荐商品d的话，他可能也会喜欢。
现实中，和我们有相似喜好和品味的人也经常被我们当做同类对待，我们也想尝试他们喜欢的其他东西。
04基于商品的协同过滤推荐
基于商品的协同过滤推荐根据用户的喜好对商品进行分类，并基于商品分类进行推荐。
在该例子中，如果喜欢商品b的用户a和用户b喜欢商品d，则商品b和商品d可以分类为同类。 同样地，对于喜欢商品b的用户c，也很可能喜欢商品d，能够向用户c推荐商品d。这里说明的推荐算法比较简单。 事实上，做推荐其实非常困难。 不是觉得用户喜欢他，而是需要觉得自己喜欢他。 现实中，有很多被人吐槽为“人工智能障碍”而无法顺利进行的智能。 推荐算法的优化需要不断收集用户的反馈，不断迭代算法和升级数据。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
