【推荐系统】常用的推荐算法

推荐系统常用的推荐算法可以分为几个大类，每类算法适用于不同的场景和数据特点。

基于内容的推荐（Content-Based Filtering）

思想：根据用户历史行为（浏览、点击、购买过的物品），找到物品的特征向量，再推荐相似的物品。

• 常用方法：
  • TF-IDF、Word2Vec、BERT 等文本特征表示
  • 余弦相似度、欧几里得距离
• 优点：不依赖其他用户，能做个性化推荐
• 缺点：容易“信息茧房”，推荐结果缺乏多样性

协同过滤推荐（Collaborative Filtering）

思想：通过用户和用户、物品和物品的交互相似性来推荐。

• 基于用户的协同过滤（UserCF）：找出与用户兴趣相似的其他用户，推荐他们喜欢的物品
• 基于物品的协同过滤（ItemCF）：找出与用户喜欢的物品相似的其他物品，推荐给用户
• 优点：不需要物品特征信息，只依赖用户行为数据
• 缺点：稀疏性问题（冷启动）

矩阵分解（Matrix Factorization）

思想：将用户-物品评分矩阵分解为低维隐向量，捕捉潜在的兴趣模式。

• 代表方法：
  • SVD（奇异值分解）
  • SVD++（考虑隐式反馈）
  • ALS（交替最小二乘法）
• 优点：推荐效果比传统协同过滤更好，能处理稀疏性
• 缺点：难以解释，冷启动问题依然存在

基于深度学习的推荐

思想：用深度神经网络建模用户和物品的复杂关系。

• 常见模型：
  • DNN + Embedding：YouTube DNN 推荐模型
  • Wide & Deep（Google Play 应用推荐）
  • DeepFM（结合因子分解机和 DNN）
  • Graph Neural Networks (GNNs)：捕捉用户-物品图结构
  • Transformer 推荐模型（序列建模，捕捉用户行为序列）
• 优点：能建模复杂特征交互，效果强大
• 缺点：训练和推理成本高

基于知识的推荐（Knowledge-Based）

思想：利用显式规则或知识图谱进行推荐。

• 方法：
  • 基于规则（if-then）
  • 基于知识图谱（KGAT、RippleNet 等）
• 适用场景：冷启动、需要可解释性时（如金融、医疗推荐）

混合推荐（Hybrid Recommender）

思想：结合多种方法，取长补短。

• 方式：
  • 线性加权（比如 70% 协同过滤 + 30% 基于内容）
  • 模型融合（stacking、boosting）
  • 多阶段推荐（召回 + 粗排 + 精排）

强化学习推荐（RL-based）

思想：将推荐视为一个序列决策过程，优化长期收益（用户留存、活跃度）。

• 典型方法：
  • Contextual Bandit（上下文多臂老虎机）
  • DQN、Policy Gradient 等 RL 算法
• 适用场景：需要优化长期目标而不仅是点击率时

📚 总结

• 小数据场景：基于内容、协同过滤
• 中等规模：矩阵分解、FM
• 大规模工业场景：深度学习（Wide&Deep、DeepFM、YouTube DNN）、混合推荐
• 冷启动/可解释性需求：基于知识的推荐
• 长期优化：强化学习推荐