内容推荐（理论）

秒速五厘米 2021-11-09 04:50 278阅读 0赞

**目录**

类别

分布式内容推荐

知识点

Mahout类别

Recommender接口

类介绍

冷启动

用户冷启动

新物品推送

so on

--------------------

# 类别 #

[单体应用内容推荐][Link 1]

[分布式内容推荐][Link 2]

# 分布式内容推荐 #

我们可以看到上面那个链接是直接使用spark进行分析，类似wordcount。

跟我们内容推荐有啥关系？

我们可以统计一个访问内容标签来统计一段时间内标签热度，从而知道需要给用户推荐什么热门产品。（算法都谈不上）

还有一种是基于文件分析的，跟单体的类似

# 知识点 #

## Mahout类别 ##

*  GenericUserBasedRecommender：基于用户的推荐器，用户数量少时速度快;
 *  GenericItemBasedRecommender：基于商品推荐器，商品数量少时速度快，尤其当外部提供了商品相似度数据后效率更好;
 *  SlopeOneRecommender：基于斜率酮算法的推荐器，在线推荐或更新较快，需要事先大量预处理运算，物品数量少时较好;
 *  SVDRecommender：奇异值分解，推荐效果较好，但之前需要大量预处理运算;
 *  KnnRecommender：基于ķ近邻算法（KNN），适合于物品数量较小时;
 *  TreeClusteringRecommender：基于聚类的推荐器，在线推荐较快，之前需要大量预处理运算，用户数量较少时效果好;

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODMzNjY1OA_size_16_color_FFFFFF_t_70][]

一般会使用基于物品去推荐

##  Recommender接口 ##

*  recommend(long userID, int howMany): 获得推荐结果，给userID推荐howMany个Item
 *  recommend(long userID, int howMany, IDRescorer rescorer): 获得推荐结果，给userID推荐howMany个Item，可以根据rescorer对结构重新排序。
 *  estimatePreference(long userID, long itemID): 当打分为空，估计用户对物品的打分
 *  setPreference(long userID, long itemID, float value): 赋值用户，物品，打分
 *  removePreference(long userID, long itemID): 删除用户对物品的打分
 *  getDataModel(): 提取推荐数据

## 类介绍 ##

*  DataModel获取数据库或者文件的内容
 *  Similarity相似度(CityBlockSimilarity：基于Manhattan距离相似度  
                               EuclideanDistanceSimilarity：基于欧几里德距离计算相似度  
                               LogLikelihoodSimilarity：基于对数似然比的相似度  
                               PearsonCorrelationSimilarity：基于皮尔逊相关系数计算相似度  
                               SpearmanCorrelationSimilarity：基于皮尔斯曼相关系数相似度  
                               TanimotoCoefficientSimilarity：基于谷本系数计算相似度  
                                UncenteredCosineSimilarity：计算 Cosine 相似度)
 *  UserNeighborhood计算相似用户的阈值
 *  Recommender进行相应的推算，类别在上面列出来了
 *  RecommendedItem推荐的内容\[recommendedItem.getItemID()推荐的内容id，recommendedItem.getValue()推荐的得分\] 
 *  RecommenderEvaluator像是机器训练\[AverageAbsoluteDifferenceRecommenderEvaluator：计算平均差值  
                                                                  RMSRecommenderEvaluator：计算均方根差  
                                                                  RecommenderIRStatsEvaluator的实现类是GenericRecommenderIRStatsEvaluator\]

# 冷启动 #

## 用户冷启动 ##

用户刚刚注册我们应该推什么，一般会让他选喜欢标签，然后进行相应的推送。

## 新物品推送 ##

使用算法，这里不进行说明，应该我也不懂，西西。我们可以在主页推送新文章，由于我们是做内容推荐的。

## so on ##

[Link 1]: https://blog.csdn.net/weixin_38336658/article/details/98351340
[Link 2]: http://blog.fens.me/hadoop-mahout-mapreduce-itemcf/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODMzNjY1OA_size_16_color_FFFFFF_t_70]: /images/20211109/417e589399a044b7a4548988fa8e4aa4.png