個性化推薦，有一些基礎的認識，簡要總結下。
數學和深度學習之類的，不太懂，但不影響做項目。

1.人工推薦
最常用的方式之一，編輯、運營和領導等角色，推薦什么，用戶就看什么。

2.分組/聚類推薦
根據用戶的信息，比如?
? ? 地域（廣東、湖南），給廣東人推薦辣食品，大概率 不如 推薦給湖南人推薦賣的好。
?? ?用戶等級（初級會員、黃金會員），等級高的會員，可能更愿意花錢買貴的商品。
? ? 職業（互聯網、金融），推薦職業相關的書籍。
?? ?
3.協同過濾
我們想給用戶推薦東西，最合乎邏輯方法是找到具有相似興趣的人，分析他們的行為，并向用戶推薦相同的項目。
另一種方法是看看用于以前買的商品，然后給他們推薦相似的。

CF有兩種基本方法：基于用戶的協同過濾和基于項目的協同過濾。

4.矩陣分解
不太懂。
感覺是 用戶*項目 2個維護，根據已知數據，來打分。

5.深度學習
不太懂。

但是，看網友的文章，矩陣分解和深度學習有點類似，大致如下：

算法由兩個神經網絡組成：一個用于候選生成，一個用于排序。

候選生成：以用戶的瀏覽歷史為輸入，候選生成網絡可以顯著減小可推薦的視頻數量，從龐大的庫中選出一組最相關的視頻。這樣生成的候選視頻與用戶的相關性最高，然后我們會對用戶評分進行預測。

這個網絡的目標，只是通過協同過濾提供更廣泛的個性化。

排序：進行到這一步，我們得到一組規模更小但相關性更高的內容。我們的目標是仔細分析這些候選內容，以便做出最佳的選擇。

這個任務由排序網絡完成。

所謂排序就是根據視頻描述數據和用戶行為信息，使用設計好的目標函數為每個視頻打分，得分最高的視頻會呈獻給用戶。

通過這兩步，我們可以從非常龐大的視頻庫中選擇視頻，并面向用戶進行有針對性的推薦。這個方法還能讓我們把其他來源的內容也容納進來。

如衡量推薦模型的質量？

“除了標準質量指標之外，還有一些針對推薦問題的指標：比如說召回率與準確率?！?br /> 推薦的文章，用戶是否點擊閱讀了。
推薦的商品，用戶是否瀏覽購買了。

無論是哪種方法，對推薦的列表，點擊和購買等數據進行監測，或者AB2種推薦方式效果對比。
有了數據，推薦算法和不同用戶的匹配效果就出來了。
再針對性的調整。

6.另外，我還想到一種方法。
在jd上買東西時，經常發現我買過一個東西之后，還給我持續推薦。類似的推薦，讓人感覺算法很蠢。
所以，我們可以電話了解部分用戶的情況，推薦了10種商品，你為啥不點擊，不購買？
用戶給出反饋，比如：我只買自己想買的、推薦的我已經買過了、推薦的商品價格太高、朋友買過效果不好等。

通過用戶，買或不買的反饋，了解很多推薦算法需要處理的本質問題。
因此，我們的推薦算法會考慮 商品價格、他的朋友是否好評是否購買、用戶的興趣偏好、用戶的地域等。

主要參考了
詳解個性化推薦五大最常用算法
https://www.cnblogs.com/mafeng/p/7912229.html

順便看了下
基于矩陣分解的推薦算法，簡單入門
https://www.cnblogs.com/kobedeshow/p/3651833.html

總結

以上是生活随笔為你收集整理的个性化推荐的6种方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。