https://www.52ml.net/16177.html

以下部分内容来自论文引用： 【王立军. 基于协同过滤推荐系统的数据稀疏性问题研究[D]. 长春: 东北师范大学, 2009.】

一般来说，推荐模式有三种：

个性化推荐（ personalized recommendation）——基于个人过去行为模式进行推荐

社会化推荐（social recommendation）——基于相似用户过去的行为模式进行推荐

项推荐（item recommendation）——基于项本身进行推荐

 

　　根据推荐的技术，电子商务个性化推荐系统可以分为一下几类：

  • 基于内容（Content-Based）的推荐，系统通过学习用户已经评价过的商品的特征来获得对用户兴趣的描述。用户的兴趣爱好推着时间的推移不断变化，系统也不断的更新学习用户的兴趣
  • 基于协同过滤（ Collaborative  Filtering）的推荐，协同过滤推荐技术是当前最热门的推荐技术之一
  • 基于内容过滤和协同过滤的混合型推荐
  • 基于数据挖掘(关联规则、聚类、分类)的推荐

Scalability problem in recommender system：

　　随着用户数量的不断增加，加入到系统中的项目数量也在成指数上升，因此也会加重推荐系统的负担。数据量一定的时候可能是高效的算法，但是当数据量增加的时候不仅会出现计算时间的增加，同时对推荐系统的准确度也会造成一定的影响。这叫推荐系统的可扩展性问题。

 

Sparsity problem in recommender system：

　　在现实生活中，电子商务推荐系统中的用户和项目的数量是非常庞大的，而且随着 时间的推移而越来越多。由此而言，用户对项目的评价数据也越来越多。但是，对于如 此庞大的项目数量，每个用户不可能对每个项目都能进行评价。据统计，一般用户购买 商品的总量仅占网站总商品量的1％一2％左右，用户对项目的评价数据也仅如此，造成用 15 东北师范大学硕士学位论文 户一项}J评价矩阵非常稀疏。因此通过稀疏数据计算得出的最近邻居用户或项目集不准确，推荐质量可能就会很低。这叫推荐系统的稀疏性问题。

推荐系统中最常使用的协同过滤方法，有如下4种：

  • 基于用户的协同过滤推荐
  • 基于物品的协同过滤推荐
  • 基于模型的协同过滤推荐
  • 混合协同过滤推荐

基于用户的协同过滤推荐、基于物品的协同过滤推荐都是基于内存（Memory-based Collaborative Filtering Algorithms）的协同过滤推荐，一般在数据量较小的应用场景下，可以直接在线使用的实时推荐方法。

推荐系统中最常使用的协同过滤方法，有如下4种：

  • 基于用户的协同过滤推荐
  • 基于物品的协同过滤推荐
  • 基于模型的协同过滤推荐
  • 混合协同过滤推荐