标签：item end 零售业 算法 访客 评价 次数 无法 权重
常见的推荐系统的模型：协同过滤推荐模型、基于内容的推荐模型和混合推荐模型
推荐算法：
1) 基于流行度的算法
比如各种新闻，微博热榜，根据单页点阅率（PV），“访问次数”和“独立访客数（UV），或日均PV或收藏数等数据来按某种热度排序来推荐。这用于刚注册的用户，它无法针对用户进行个性化推荐.
2)协同过滤算法
分为基于用户和基于物品的算法，基于用户的原理：①.分析各个用户对item的评价（通过浏览记录、购买记录等）②依据用户对item的评价计算得出所有用户之间的相似度；③选出与当前用户最相似的N个用户；④将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户；基于物品的原理：①分析各个用户对item的浏览记录。②依据浏览记录分析得出所有item之间的相似度；③对于当前用户评价高的item，找出与之相似度最高的N个item；④将这N个item推荐给用户。
3）基于内容的算法
通过分析用户的行为以及新闻的文本内容，我们提取出数个关键字，将这些关键字作为属性，把用户和新闻分解成向量，之后再计算向量距离，便可以得出该用户和新闻的相似度了，
我们便可以引入词权的概念。在大量的语料库中通过计算（比如典型的TF-IDF算法），我们可以算出新闻中每一个关键词的权重，在计算相似度时引入这个权重的影响，就可以达到更精确的效果。
4）基于模型的算法
通过分析系统中用户的行为和购买记录等数据，通过对影响用户行为的各种特征属性，如用户年龄段、性别、地域、物品的价格、类别信息的记录，通过反复测试和经验，调整特征属性的组合，拟合出最准确的回归函数
5）混合算法
通过给不同算法的结果加权重来综合结果，或者是在不同的计算环节中运用不同的算法来混合，达到更贴合自己业务的目的。
注意：数次推荐后用户依然对某个标签毫无兴趣，我们就需要将这个标签降低权重，调整排序。
标签：item end 零售业 算法 访客 评价 次数 无法 权重
原文地址：https://www.cnblogs.com/zhao-teng-ass/p/12250463.html
