问推荐算法

EN

an article讨论了将不同的算法组合在一起并创建一个推荐器的不同可能性。作者分析了37个不同的系统及其参考文献，并将它们分类为8个基本维度的列表。

虽然这篇论文已经在2003年发表，其中一些例子现在还没有提供，但它仍然可以成为研究人员构建自己的推荐系统的一个很好的起点。

我想分享罗宾·伯克对推荐系统的定义，就像在his paper中一样

产生个人推荐作为输出的任何系统，或者具有以个性化的方式引导用户在可能选项的大空间中找到有趣或有用的对象的效果。

推荐系统是人工智能(特别是数据挖掘)中的一个主题，旨在向用户推荐新的项目。这些项目可以是任何类型的，例如书籍、旅行、音乐等。

它主要由一个算法组成，该算法将尝试提取以前数据的一些知识(如用户偏好)，以建议新的可购买商品。

它被Netflix和亚马逊广泛使用。当你看到短语"Users that bough this also that“时，很有可能是推荐系统在背后。

聚类和其他类似算法是用于改进推荐系统的方法。例如，您可能希望在应用特定推荐系统之前按相似度对用户进行分组，以获得更好的结果。为此，您可以使用K-最近邻居。

这两篇文章可能会帮助你更好地理解这个主题: Greg Linden，Brent Smith和Jeremy York。Amazon.com推荐:项目到项目的协作过滤。

罗宾·伯克。混合推荐系统:调查和实验。用户建模和用户自适应交互。

现在有一个关于推荐系统的很好的Coursera课程，由该领域的先驱之一，U Minn的Joeseph Konstan教授。它是免费的。它相当不错，涵盖了推荐系统的基本分类，包括：

 - Rating Systems
 - Content Based Filters
 - Collaborative Systems (User-user and Item-item)
 - Dimensionality Reduction (SVD, its meaning, and how to compute it)
 - Hybrid Systems

SVD直接落入ML，我发现这是我见过的最连贯和最直观的演示--我也见过几个。

它还展示了如何使用Lenskit (一个学术推荐系统工具包)来创建现实世界的系统。显然，我喜欢这门课程，尽管我希望他们已经介绍了贝叶斯方法。