目前使用比較普遍的個性化推薦算法有三種，分別是：協同過濾推薦算法、基于內容的推薦算法和基于社交網絡的推薦算法。

1、協同過濾推薦算法

該算法的基本思想是，如果你的朋友或者親戚購買了某件商品并且評價不錯，那么你很有可能也會購買該商品。根據相似度比較的對象不同，可以細分為基于用戶的推薦和基于物品的推薦。在用該算法的有Amazon等一些電商平臺。

a）基于用戶的近鄰推薦

基于用戶的協同推薦的基本思想是：尋找當前用戶的近鄰(即計算用戶之間的相似性)，從而根據近鄰的喜好預測你也可能喜歡什么。

b）基于物品的近鄰推薦

該算法的核心是計算物品兩兩之間的相似度，從而為用戶推薦相似的物品。當需要對用戶推薦物品A時，通過確定與A相似的物品B，計算用戶對這些近鄰物品B評分的加權總和來得到用戶對物品A的預測評分。

2、基于內容的推薦算法

基于內容的推薦與協同過濾推薦不同，它不需要用戶對物品的評分數據，也不需要比較多個用戶或多個物品之間的相似度。該算法的基本思想是根據用戶的歷史興趣數據，建立用戶模型，然后針對推薦物品的特征描述進行特征提取，后將物品特征與用戶模型相比較，相似度較高的物品就可以得到推薦。

基于內容的推薦目前主要應用于文本、視頻、音頻的推薦，比如新聞、視頻和電臺等。

3、基于社交網絡的推薦算法

基于社交網絡的推薦是協同過濾推薦在社交網絡中的延伸，同時又具有基于網絡結構推薦的特點。大體上可以分為兩類，即基于鄰域的社交網絡推薦和基于網絡結構的社交網絡推薦。

a）基于鄰域的社交網絡推薦

其基本思想是查詢社交網絡中當前用戶所有的好友，根據好友的興趣數據，向當前用戶推薦好友喜歡的物品集合。

b）基于網絡結構的社交網絡推薦

該算法把用戶、用戶的好友、用戶的喜好和好友的喜好連接起來形成一個社交網絡結構圖。同時，根據用戶之間的熟悉程度和喜好相似度，來定義用戶之間和用戶的喜好之間的權重，然后選擇與用戶沒有直接相關的物品，按照優先級別生成推薦列表。
　　個性化推薦的一些缺陷

也許你已經發現，現如今很多產品的個性化推薦系統還談不上智能。我就經常遇到在某電商平臺買了一臺電腦，接下來就向我推薦各種品牌的電腦。對于買電腦這種低頻行為，該個性化推薦顯得太粗糙了一點。還有當我在一些資訊App瀏覽新聞時，總是受到相同內容的新聞信息，讓我沒有繼續使用下去的欲望。

一個好的個性化推薦系統，用戶能夠從系統提供的推薦列表中購買自己確實需要但在購買過程中沒有想到的商品，有利于流量和商品轉化，也會讓用戶對該系統產生依賴。個性化推薦系統不僅能夠為用戶提供個性化的推薦服務，而且能與用戶建立長期穩定的關系，從而提高用戶的忠誠度。

個性化推薦系統是一個非常復雜系統，背后還涉及到很多問題。比如冷啟動問題、數據稀疏性問題、推薦的精確度和準確度問題等。

1、冷啟動問題

如果用戶的標簽信息為零，那么個性化推薦就等于不存在。這個情況下，往往是讓用戶進入興趣標簽填寫的頁面，或者通過搜集用戶在其它平臺的標簽數據來進行推薦。

2、數據稀疏性問題

很多電商平臺的信息數據之大，使得任意兩個用戶瀏覽的商品交集非常小，這時候通常采用商品聚類或者用戶聚類的方式。

3、推薦的精確度和準確度問題

通過收集更多的用戶標簽，不斷優化推薦算法，多種推薦算法的組合推薦來大化保證推薦的精確度和準確度。

4、傳統的個性化推薦，無法保證推薦的實時性

比如網易云的用戶無意中聽到了一種沒聽過的曲風，覺得很好聽又連續聽了幾。如果這時候推薦的還是他過去愛聽的，這就不能很好地滿足用戶的需求。

5、精確度與多樣性的平衡問題

盲目的精確推薦可能會使用戶的視野越來越狹窄，也就無法向用戶推薦其它多樣的物品和信息。如何平衡兩者的關系是一個要解決的問題。

網頁名稱：網站設計策劃之個性化推薦分析
標題路徑：http://www.js-pz168.com/news28/210678.html

成都網站建設公司_創新互聯，為您提供定制開發、品牌網站設計、標簽優化、網站排名、建站公司、云服務器

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯