本文共 1461 字,大约阅读时间需要 4 分钟。
推荐算法作为一种大数据分析最早的应用,如今已经得到的大量的普及,特别是新进崛起的头条,抖音,更或是早前的网易云音乐,其中的最吸引的地方无不是人性化的推荐系统,实际上也正是这种技术,使得BAT三巨头始终无法将其击倒(过了)。尽管如今的推荐系统算法已经变得“面目全非”,但是其中的精髓还是基于协同过滤算法,只是在其基础上进行了适当的优化或者改进,以适应不同的场景和数据。更加详尽的推荐算法请参照项亮的《推荐系统实践》,此书理论虽然过于浅显,但是整体来说还是相对系统的,各方面都有涉及,如果需要更多的了解,可能还是需要进入数据公司才能够了解其中的奥妙,毕竟这是个数据的故事,没有数据,技术只能等待死亡,而不能新陈代谢。
下面的理论和上面的有所区别,大概意思相同,只是多了一个数据项商品
商品推荐算法-分类
案例:基于商品的协同过滤算法来进行淘宝商品推荐
步骤:这里核心算法其实很简单,第一步:找到所有的物品关联度权重矩阵matI;然后,对于一个需要推荐的用户,得出他对每个用户的喜爱矩阵matU;通过matI*matU就得出当前用户的物品推荐权重,越大的表明越可能被推荐。(理论很浅显,如看不懂,请参阅下列代码细看,或者手动画出步骤,就会一目了然。浅显的理论说太多反而不易懂,还显得啰嗦)
实现步骤:分6步
说实在的java进行矩阵运算真的是蛋疼,很简单一个矩阵乘法,硬是写了一大片
代码
相关博客或书籍
《推荐系统实践》项亮转载地址:http://ghepi.baihongyu.com/