【摘要】:每种推荐算法都有它的优势和不足,如基于用户行为数据的推荐不需要领域知识,只需用户处于一个社区中,收集用户行为数据进行推荐;基于内容的推荐算法不需要一个很大的用户社区或打分历史,对单个用户就可以产生推荐列表等。不足之处在于年龄、性别等人口统计数据的获取较难。
每种推荐算法都有它的优势和不足,如基于用户行为数据的推荐不需要领域知识,只需用户处于一个社区中,收集用户行为数据进行推荐;基于内容的推荐算法不需要一个很大的用户社区或打分历史,对单个用户就可以产生推荐列表等。本节给出上述7类推荐算法的优缺点,如表10-1所示:
表10-1 权衡推荐算法
(www.xing528.com)
以基于人口统计学的推荐来为例,优点是由于不需要当前用户对项目的历史行为数据,所以很好地解决了“冷启动”(cold start)问题。另外该方法不依赖于项目本身,所以在不同项目领域可以使用,是不依赖领域的(domain-independent)。不足之处在于年龄、性别等人口统计数据的获取较难。由于用户对隐私的考虑,可能不愿意提供这些信息,或者不愿意提供真实的信息,从而导致推荐系统在准确度方面有误差;此外基于人口统计数据的推荐是粗粒度的,使用户得不到很好的推荐结果,没有实现完全的个性化。
除了上述已经分类好的推荐方法,还有其他一些推荐方法:组推荐(group recommendation) [56]和基于知识的推荐(knowledge-based recommendation) [57]。基于知识的推荐使用关于用户和项目的知识来推理什么项目满足用户的需求,然后进行推荐。还有将经济学中的理论应用到推荐系统中,如投资组合理论[58] ,边际效用递减法则(law of diminishing marginal utility),也有研究引入了购买时间间隔信息来改进推荐效果[59]。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。