商城
网站建设商品推荐模式基于商品维度(Item-Based:ColumnSimilarity)也叫作基于项目维度,项目通常指除人以外的实体,在电商平台中,则代表商品维度,而在新闻、音乐类平台中则代表其他的实体。与基于用户维度不同的是,基于项目维度是以商品(下面将“项目”统一称作“商品”)为参照物来判断找到和当前物品偏好相似的物品,然后根据用户历史的喜好情况推荐相似品。
网站建设公司资深框架规划师还用上述的这个关系矩阵来看基于商品维度的处理方式。
购买商品A的用户和购买商品D的人群很相似,因此当用户购买A时,我们可以推荐商品D给用户,
见表3-4。因此基于商品维度又叫作列相似性。表3-4基于商品维度推荐商品两种维度的算法各有优缺点,衡量使用哪个算法的标准主要是选取参照物较少的维度。例如,电商平台相对于庞大的用户群体来说,商品相对固定,商品之间的关系变化也较少,因此以商品为参照物可以大大减少计算的量级和复杂度;而新闻类则相反,用户相对于内容来说更为稳定,则使用用户为参照物,处理起来更为便捷。同时,基于商品维度的算法相对于基于用户维度的算法,其结果集更为稳定,但丰富性相对较低。因此,如何取舍要依赖于平台对推荐的实际业务要求。更多的时候可以使用混合算法,即按照一定的配比,从多种算法中获取商品,并进行去重、加权和排序等。一般来说,在使用协同过滤算法的时候有几个技巧。
●低频的物品可以过滤,减少杂质对整体计算的影响。
●降低高频热门物品的权重,避免出现大量重复推荐、显示高频商品的问题。
●打分的分值可以随着时间的递进而衰减,即越靠近当前越高。这里简单介绍几种算法的公式,具体的算法细节可以自行搜索了解。Cosine-basedSimilarity(余弦相似度):常用于计算文档数据相似度。PearsonCorrelationSimilarity(皮尔逊相似度):计算两个定距变量的相似度。AdjustedCosineSimilarity(校正余弦相似度):
修正了余弦相似度算法对于绝对数值不敏感的问题。