中英譯本及下載：http://blog.sina.com.cn/s/blog_586631940100pduh.html

以下是摘要筆記：

?算法應(yīng)當(dāng)結(jié)合用戶的習(xí)慣，用戶特點(diǎn)的分類

觀影習(xí)慣是比較單一 還是比較分散

這是不同的

一、推薦的宗旨：推薦應(yīng)該要幫助顧客找到和發(fā)現(xiàn)新的、相關(guān)的、有趣的商品。

Recommendations should help a customer find and discover new, relevant, and interesting items.

二、解決推薦問(wèn)題有三個(gè)通常的途徑：傳統(tǒng)的協(xié)同過(guò)濾，聚類模型，以及基于搜索的方法。

推薦算法
大多數(shù)推薦算法，都始于先找出一個(gè)顧客集合，他們買過(guò)和評(píng)級(jí)過(guò)的商品，與當(dāng)前用戶買過(guò)和評(píng)級(jí)過(guò)的商品有重疊。算法把來(lái)自這些相似顧客的商品聚集起來(lái)，排除該用戶已經(jīng)購(gòu)買過(guò)或評(píng)級(jí)過(guò)的商品，并向該用戶推薦其余的商品。

這些算法有兩個(gè)最常見的版本：協(xié)同過(guò)濾和聚類模型。其他算法——包括基于搜索的方法以及我們自己的商品到商品協(xié)同過(guò)濾——都集中于尋找相似的商品，而不是相似的顧客。針對(duì)用戶所購(gòu)買和評(píng)級(jí)的每一件商品，算法試圖找到相似的產(chǎn)品，然后聚集這些相似的商品，并給予推薦。?

1.傳統(tǒng)的協(xié)同過(guò)濾

利用協(xié)同過(guò)濾來(lái)產(chǎn)生推薦，很耗計(jì)算，如果降維，則會(huì)影響品質(zhì)。

2.聚類模型

算法的目標(biāo)是，把該用戶分配到含有最相似顧客的細(xì)分人群里，然后，算法再利用該細(xì)分顧客人群的購(gòu)買和評(píng)級(jí)，來(lái)生成推薦。

較之協(xié)同過(guò)濾，聚類模型有更好的在線可擴(kuò)展性和性能、復(fù)雜和昂貴的聚類計(jì)算會(huì)離線運(yùn)行。然而，推薦品質(zhì)卻是低的

3.基于搜索的方法
基于搜索或內(nèi)容的方法，將推薦問(wèn)題視為相關(guān)商品的搜索，如果該用戶只有少數(shù)購(gòu)買或評(píng)級(jí)，基于搜索的推薦算法在計(jì)算量和性能上都不錯(cuò)。然而，對(duì)于有數(shù)千次購(gòu)買的用戶，要以針對(duì)所有商品的查詢?yōu)榛A(chǔ)也不太可行，若使用子集則又降低了品質(zhì)。

三、電子商務(wù)推薦算法的環(huán)境挑戰(zhàn)：
? 大型零售商有海量的數(shù)據(jù)，以千萬(wàn)計(jì)的顧客，以及數(shù)以百萬(wàn)計(jì)的登記在冊(cè)的不同商品。
? 許多應(yīng)用要求結(jié)果實(shí)時(shí)返回，在半秒之內(nèi)，還要產(chǎn)生高質(zhì)量的推薦。
? 新顧客很典型，他們的信息很有限，只能以少量購(gòu)買或產(chǎn)品評(píng)級(jí)為基礎(chǔ)。
? 較老的顧客信息豐沛，以大量的購(gòu)買和評(píng)級(jí)為基礎(chǔ)。
? 顧客數(shù)據(jù)不穩(wěn)定：每一次交互都可提供有價(jià)值的顧客數(shù)據(jù)，算法必須立即對(duì)新的信息作出響應(yīng)。

?

商品到商品的協(xié)同過(guò)濾

?

把推薦作為一種定向營(yíng)銷工具。（每有一個(gè)用戶，就有一個(gè)用戶的個(gè)性化商店）

它如何工作

協(xié)同過(guò)濾的變種，將商品分類，而不是用戶

對(duì)于非常大的數(shù)據(jù)集，一個(gè)可擴(kuò)展的推薦算法必須離線運(yùn)行最昂貴的計(jì)算。而現(xiàn)有方法達(dá)不到這樣的要求：
? 傳統(tǒng)的協(xié)同過(guò)濾只做很少或不做離線計(jì)算，其在線計(jì)算量取決于顧客和登記在冊(cè)商品的數(shù)量。在大數(shù)據(jù)集的情況下，這樣的算法不可行，除非使用維度降低、抽樣或區(qū)隔——所有這些都降低了推薦的品質(zhì)。
? 聚類模型能離線運(yùn)行大量的計(jì)算，但推薦品質(zhì)相對(duì)較差。出于改進(jìn)，可以增加人群細(xì)分的數(shù)量，但這會(huì)使在線的用戶-細(xì)分人群的分類變得昂貴。
? 基于搜索的模型離線建立起關(guān)鍵詞、范疇、作者索引，但不能提供符合興趣、定向內(nèi)容的推薦。對(duì)于購(gòu)買和評(píng)級(jí)很多的顧客來(lái)說(shuō)，這些算法的擴(kuò)展性不佳。
商品到商品協(xié)同過(guò)濾的可擴(kuò)展性和性能的關(guān)鍵是，它離線建立耗時(shí)巨大的相似商品表格。該算法的在線部分——針對(duì)當(dāng)前用戶的購(gòu)買和評(píng)級(jí)來(lái)尋找相似的商品——計(jì)算量獨(dú)立于商品目錄的規(guī)模或顧客的總數(shù)；僅僅取決于該用戶買過(guò)或評(píng)級(jí)過(guò)多少個(gè)商品。因此，甚至是對(duì)于超大數(shù)據(jù)集，算法也很快速。由于該算法能推薦高度關(guān)聯(lián)的相似商品，推薦的品質(zhì)就很出色10。與傳統(tǒng)的協(xié)同過(guò)濾不同，該算法在用戶數(shù)據(jù)有限的情況下也能運(yùn)行良好，在少至2到3件商品的基礎(chǔ)上，產(chǎn)生高品質(zhì)的推薦。

?連接：

http://blog.sina.com.cn/s/blog_586631940100pduh.html

http://www.xysay.com/amazon-item-to-item-collaborative-filtering-207.html

轉(zhuǎn)載于:https://www.cnblogs.com/lance-/p/3935327.html

總結(jié)

以上是生活随笔為你收集整理的reading notes -- Amazon.com Recommendations: Item-to-Item Collaborative Filtering的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。