江苏龙网

  1. 主页 > 生活百科 > >

详细介绍个性化推荐 个性化推荐算法有哪些

长期以来，我一直觉得个性化推荐很高级，很神秘 。直到这个时候，个性化算法被引入主题商店，我才有机会看看天，基本了解了个性化推荐的相关知识 。
一、个性化推荐的意义与分类 所以，个性化推荐自然是基于自身特点的推荐，以提高内容产品的消费转化 。希望通过推荐，提高内容的消费转化率，让用户玩得开心，让内容得到最大程度的利用 。为了更准确的给用户做推荐，我们需要更多的了解用户 。在这里，我可以把理解分为两种类型:
一种是视觉推荐，也就是标注理解，根据用户的行为数据标注用户，从而直观的看到其特征；
一个是非视觉推荐，是算法层面的理解 。协同过滤则是直接根据数据和用户与用户的关系进行推荐，将计算出来的结果直接呈现给用户，所以是一种非可视化的理解 。
二、个性化推荐的实现规律 一般来说，实用可行的个性化推荐整体流程是:
1)数据收集层:通过用户日志获取用户的历史行为数据，作为推荐原始数据 。
2)数据计算层:根据用户的历史数据和推荐算法，计算出当前情况下最适合用户的内容作为备选数据 。
3)复合排序层:对计算出的备选内容和其他已有的分发算法进行归一化，并进行同意排序操作 。
4)呈现和分发层:分发和显示排序后的内容 。
三、典型的个性化算法 因为标签制度对于上下游产品都是显而易见的，所以直接建立新产品是最合适的 。但如果一定要推出老产品的个性化推荐，其实更建议从非视觉推荐入手，非视觉推荐的启动成本相对较低，然后根据推荐效果推出标签系统 。输入法就是从这个角度 。先分享一下个性化的典型算法:
计算逻辑层
根据上图，个性化可以分为三条路线 。
1、基于内容的相似推荐
这个推荐的思路是根据用户消费过的内容来推荐相似的内容 。但是，在非可视化、无标签的情况下，如何实现基于内容的推荐呢？
如下图所示，如果a、b、c用户都喜欢信息I，而喜欢I的用户大多也喜欢III，则可以认为I和III相似，可以向喜欢I的用户推荐III 。
2，基于用户的类似建议
这种推荐类似的方式是:计算用户行为之间的关联度，从而预测用户行为，向用户推荐与用户当前行为最接近的内容 。
a、用户已消费:I、III、IV
用户B，已消费:II，III
c、消费者:I、II、IV
【详细介绍个性化推荐 个性化推荐算法有哪些】在这三个数据量的情况下，向用户D进行推荐，用户D已经消费了I，那么就可以计算出这种情况下用户行为的相关度，从而进行推荐 。
P(II | I)=1/3，P(III | I)=1/3，P(IV | I)=2/3，所以向用户d推荐时首选IV 。
3，基于标签的类似推荐
这种推荐方法是基于用户标签和内容标签的匹配度 。根据用户自身属性，计算出与用户身份匹配度最高的内容，再由计算机进行排序分发 。
四、模型的选择 模型的选择是基于产品当前的原始数据，基于用户和基于内容的结合也可以根据现有数据进行 。因此，算法中的协调和过滤是分离的 。
拆分协作和筛选的过程实际上反过来解决了两个问题:找谁协作？过滤什么？
其实这样实现的模型是这样的:为了给用户A做推荐，在一个推荐周期中，首先根据行为的相似度，找到B、C、D、C、D作为协调用户 。然后将B、C、D、C、D的行为与A在这个推荐周期内的最新行为进行比较，再根据内容计算相关度，从而得到针对A的推荐内容 。
最后，没有最好的推荐算法，只有最适合自己产品的推荐算法 。只有不断的尝试和调优推荐引擎，才能最高效的最大化自己内容的利用率 。


    推荐阅读


    上一篇：广点通投放效果及费用 广点通投放广告多少钱

    下一篇：10大新型商业模式 最新的商业模式有哪些