推薦引擎檢視原始碼討論檢視歷史
| 推薦引擎 |
推薦引擎，是主動發現用戶當前或潛在需求的定律，並主動推送信息給用戶的信息網絡。挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的對象。推薦引擎不是被動查找，而是主動推送；不是獨立媒體，而是媒體網絡；不是檢索機制，而是主動學習。推薦引擎利用基於內容、基於用戶行為、基於社交關係網絡等多種方法，為用戶推薦其喜歡的商品或內容。
簡介
具體來說，推薦引擎綜合利用用戶的行為、屬性，對象的屬性、內容、分類，以及用戶之間的社交關係等等，挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的對象。特點推薦引擎不是被動查找，而是主動推送；不是獨立媒體，而是媒體網絡；不是檢索機制，而是主動學習。推薦引擎利用基於內容、基於用戶行為、基於社交關係網絡等多種方法，為用戶推薦其喜歡的商品或內容。基於內容的推薦是分析用戶正在瀏覽的內容的"基因"，選擇與當前內容有相似"基因"的對象推薦給用戶。同時也分析用戶過去瀏覽過的內容的"基因"，從而獲取其偏好，然後將與用戶偏好的對象推薦給用戶。例如，用戶在瀏覽一款包的時候，為其推薦其他外形相似的包。基於用戶行為的推薦則是利用群體智慧算法，分析用戶的群體行為，綜合分析用戶與用戶之間的相似度、用戶對小眾商品的個性化需求，從而同時提高推薦的精準性、多樣性與新穎性。基於社交關係網絡的推薦是通過分析用戶所在的社交關係網絡，找到其最能夠影響到的用戶，或者最能夠影響到該用戶的用戶，再綜合每位用戶的個性化偏好進行推薦。
評價
顯式的用戶反饋能準確的反應用戶對物品的真實喜好，但需要用戶付出額外的代價，而隱式的用戶行為，通過一些分析和處理，也能反映用戶的喜好，只是數據不是很精確，有些行為的分析存在較大的噪音。但只要選擇正確的行為特徵，隱式的用戶反饋也能得到很好的效果，只是行為特徵的選擇可能在不同的應用中有很大的不同，例如在電子商務的網站上，購買行為其實就是一個能很好表現用戶喜好的隱式反饋。推薦引擎根據不同的推薦機制可能用到數據源中的一部分，然後根據這些數據，分析出一定的規則或者直接對用戶對其他物品的喜好進行預測計算。這樣推薦引擎可以在用戶進入的時候給他推薦他可能感興趣的物品基於物品和用戶本身的，這種推薦引擎將每個用戶和每個物品都當作獨立的實體，預測每個用戶對於每個物品的喜好程度，這些信息往往是用一個二維矩陣描述的。由於用戶感興趣的物品遠遠小於總物品的數目，這樣的模型導致大量的數據空置，即我們得到的二維矩陣往往是一個很大的稀疏矩陣。同時為了減小計算量，我們可以對物品和用戶進行聚類， 然後記錄和計算一類用戶對一類物品的喜好程度，但這樣的模型又會在推薦的準確性上有損失。[1]