推薦系統是隨著互聯網的發展而形成的一個系統，他主要是為了解決信息過載的一些問題。隨著互聯網的深入發展，越來越多的信息在互聯網上傳播，產生了嚴重的信息過載，假設不採取一定的手段用戶非常難從如此多的信息中找到對自己有價值的信息。

推薦系統的任務就是聯系用戶和信息，一方面幫助用戶發現對自己有價值的信息，另外一方面讓信息能夠展如今對它感興趣的用戶面前。推薦系統不須要用戶提供明白的需求，而是通過分析用戶的歷史行為給用戶的興趣建模。從而主動給用戶推薦能夠滿足他們興趣和需求的信息。為了解決信息過載問題主要是通過兩個方面。一方面是通過搜索。另外一方面是通過推薦。搜索是解決用戶明白的需求，推薦是解決用戶不明白的需求。推薦系統廣泛地應用于電子商務。電影視頻站點，社交站點，個性化廣告等領域。
推薦系統經常使用的方法
1.基于用戶的推薦
基于用戶的推薦就是將目標用戶和其它用戶的數據進行比較，來實現推薦，主要是找到和目標用戶興趣同樣的其它用戶喜歡的商品，并且目標用戶沒有聽說過的物品，推薦給目標用戶。
2.基于物品的推薦
基于用戶的協同過濾算法有自身的缺點，隨著站點的用戶數目越來越大，用戶類似度矩陣也越來越大。計算用戶興趣類似度矩陣就變得越來越困難，運算的時間復雜度和空間復雜度會隨用戶的增長而變大。

并且基于用戶的協同過濾也非常難對推薦結果作出解釋?；谖锲返膮f同過濾算法并不利用物品的內容屬性來計算類似度。它主要通過分析用戶的行為記錄來計算物品之間的類似度。一般來說，物品a和物品b有非常大的類似度是由于喜歡物品a的用戶大都也喜歡物品b。
3.基于內容的推薦
此方法在新聞站點，電商站點中用的比較多，由于電商站點其中，可能非常多商家賣同一種商品，然后須要對商品名做分詞處理，然后依據用戶的查詢keyword來觸發。
4.基于位置的推薦
不同的位置反映了不同的用戶場景。我們能夠依據目標用戶的當前位置，依據用戶的歷史消費歷史瀏覽記錄。找出區域消費熱單。區域購買熱單。
5.基于標簽的推薦
基于標簽的推薦主要是給目標用戶推薦那些具有目標用戶喜歡的特征的物品，這些特征有不同的表現方式能夠表現為物品的屬性，或者有同樣的隱含意義。標簽主要有兩種，一種是系統內部設定，第二種是系統的外部用戶設定，如常見的UGC標簽。

無論採用何種算法，都要涉及到類似度的計算。類似度的計算方法一般有歐式距離。明可夫斯基距離，馬氏距離，向量的余弦值，皮爾遜相關系數，簡單匹配系數。jaccard系數。廣義jaccrd(tanimoto)系數，一般來說。推薦系統的預測精確性不受類似度度量方法選擇的影響。在實際應用中，向量的余弦值。皮爾遜相關系數等用的比較多。
一般來說，不可能一種推薦算法就能夠解決我們碰到的問題。在實際應用中我們通常是組合各種不同的推薦算法，給不同的推薦算法賦予不同的權重，然后通過排序輸出結果。

轉載于:https://www.cnblogs.com/wzzkaifa/p/7345186.html

總結

以上是生活随笔為你收集整理的推荐系统个人理解（理论部分）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。