什么是推荐引擎

我们可以将推荐引擎看作黑盒，它接受的输入是推荐的数据源，推荐引擎根据不同的推荐机制可能用到数据源中的一部分，然后根据这些数据，分析出一定的规则或者直接对用户对其他物品的喜好进行预测计算。这样推荐引擎可以在用户进入的时候给他推荐他可能感兴趣的物品。

推荐引擎的分类

在算法模型上大体可以分基于内容的推荐、基于协同过滤的推荐。

基于内容推荐: 即通过内容本身的属性，然后计算内容的相似性，找到与某物品属性相似的物品。

协同过滤：即不依赖于物品本身的物品属性，而是通过其他相关特征，例如人参与的行为数据，来达到推荐物品的目的。 关于协同过滤，又分为以下几个类别：

• 基于物品的协同，即ItemCF；
• 基于用于的协同，即UserCF；
• 基于模型的协同，即ModelCF。

其中，基于模型的协同又可以分为以下几种类型：

• 基于距离的协同过滤；
• 基于矩阵分解的协同过滤，即Latent Factor Model(SVD)；
• 基于图模型协同，即Graph，也叫社会网络图模型。

基于内容的推荐原理

基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。

上图中给出了基于内容推荐的一个典型的例子，电影推荐系统，首先我们需要对电影的元数据有一个建模，这里只简单的描述了一下电影的类型；然后通过电影的元数据发现电影间的相似度，因为类型都是“爱情，浪漫”电影 A 和 C 被认为是相似的电影（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等）；最后实现推荐，对于用户 A，他喜欢看电影 A，那么系统就可以给他推荐类似的电影 C。

基于用户的协同过滤推荐机制的基本原理

基于用户的协同过滤推荐的基本原理是，根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K- 邻居”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行推荐。下图给出了原理图.

上图示意出基于用户的协同过滤推荐机制的基本原理，假设用户 A 喜欢物品 A，物品 C，用户 B 喜欢物品 B，用户 C 喜欢物品 A ，物品 C 和物品 D；从这些用户的历史喜好信息中，我们可以发现用户 A 和用户 C 的口味和偏好是比较类似的，同时用户 C 还喜欢物品 D，那么我们可以推断用户 A 可能也喜欢物品 D，因此可以将物品 D 推荐给用户 A。

基于项目的协同过滤推荐机制的基本原理