常见的推荐算法

1. 外部排序、内部排序、排序、直接排序、希尔排序和选择排序。 推荐算法是计算机科学中的一种算法。 它使用数学算法来推断用户可能喜欢什么。 应用推荐算法的场所主要是互联网。 所谓推荐算法利用了用户的一些行为，混合型：同时使用多种推荐技术，给出多种推荐结果，为用户提供参考。 特征组合：来自不同推荐数据源的特征的组合被另一种推荐算法使用。 ∩▂∩

2. 常见经典ML分类算法：逻辑回归（Logistic Regression） 支持向量机（SVM） 随机森林（Random Forest） Boosting算法（Boosting）：Adaboost、GBDT、XGboost 一般处理流程：数据处理 -> 工程特征 -> 模型选择 - > 交叉验证 - 统计用户最常用的标签。 对于每个标签，计算被标记次数最多的项目。 带有这些标签的热门文章会被推荐给用户。 目前国内应用中，豆瓣采用基于信标的推荐算法进行个性化推荐。 ●﹏信息

3. 以及常用的推荐算法b． Facebook 的推荐算法是如何运作的？ 基于用户画像的推荐 基于兴趣的推荐 剩下的两个方面是时候再写了。 最近发现了聚类，发现聚类有一个非常有趣的方向：社交网络分析。 我想分享一下我的总体理解。 本文只是一个概述——对于一个用户来说，首先搜索他们常用的标签，然后找到这些标签中最受欢迎的商品并推荐给他们——因此商品 i 的用户兴趣公式 user 就是，用户在哪里访问了您的number of times tagged b 是项目 i 被标记 b 的次数。 (｀▽′)

4. 在推荐系统的众多算法中，基于协作的推荐和基于内容的推荐在实践中应用最为广泛。 本文也将从这两种算法入手，简要介绍基于时间、地理背景和社交环境的常见推荐算法。 基于内容的算法的本质是分析元素的内容。 从这里开始，本文主要总结一下最近学习的推荐系统。 它将简要描述非个性化范式、群体个性化范式、完全个性化范式和主题关联。 主题范式、笛卡尔积范式等五种常用推荐范式的设计思路。 ＋﹏＋

5. 在产品算法时代，如果不懂算法，就很难设计好产品。 无论是传输信息还是显示搜索结果，算法都深刻地塑造了用户体验。 因此，理解算法是PM的基本职责。 本文总结了一些关于算法的常识。 很多都是我和互联网高手的分享。 在复杂性方面，设计基于行为的权重以及根据不同维度属性区分推荐产品是很困难的。 用户可以体会的常用判断 推荐级别的余弦向量公式是这样的，就不解释了（已经勾起高深数学的不好回忆了）。 。 。 ⊙▂⊙

6. 完成离线实验和必要的用户调查后，可以将推荐系统上线进行AB测试，与旧算法进行比较。 AB测试是一种非常常用的在线评估算法的实验。 它按照一定的规则将用户随机分为若干组，并对不同的用户组采用不同的算法，然后对不同组进行统计，包括Aspect Model、pLSA、LDA、聚类、SVD、矩阵分解等。 这种训练过程比较长，但是一旦训练完成，推荐过程就比较快。 +▽＋