商品推荐算法初探

分析

项目情况

蓝鲸网购商城，这个问题域下涉及的对象只有商品和用户。这两个对象和推荐算法相关的属性有如下：

• 商品
  • 名称
  • 分类
  • 价格
  • 图片等复杂信息
• 用户
  • 商品访问记录
    • 访问次数
  • 商品购买记录(订单)
    • 订单价格
  • 商品评分记录
    • 评分

需求

• 能应对相对大量用户和商品的系统
• 算法必须能在2核2g的服务器上正常运行
• 使用在线算法

约束

• 开发时间紧张
• 用户量和商品量十分小
  • 可能有方法会改善这个情况，比如自动化生成工具
• 用户行为数据有限
  • 因为要人工操作。但是同上。

算法的选择

基于用户的协同过滤-User CF

核心思想：人以群分，推荐和你最相似的用户喜欢的商品

优点

• 在线算法
• 实现简单
• 效率高

缺点

• 十分依赖于其他用户和商品的交互数据。交互越多推荐效果越好。
• 基于交互，会同时涉及用户和商品两个模块

基于商品的协同过滤-Item CF

核心思想：物以类聚，推荐和你喜欢的商品最相似的商品，相似度基于交互

优点

没怎么细看，我姑且认为这个更加准确吧

缺点

• 算法要求先离线处理所有商品的相似度
• 效率较慢
• 基于交互，会同时涉及用户和商品两个模块

基于内容的推荐算法

核心思想：物以类聚，推荐和你喜欢的商品最相似的商品，相似度基于商品属性

优点

• 自然。推荐商品最直接、朴素的想法就是推荐内容相似的物品啦。

• 静态。基于商品稳定的属性。不用依赖于不稳定的用户与商品的交互。

缺点

• 实现上不如前两种算法那么规范，主观性比较大。