傳統推薦演算法缺點

① 個性化推薦演算法——協同過濾

電子商務推薦系統的一種主要演算法。
協同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
（1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
（2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
（3）推薦的新穎性。
正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
缺點是:
（1）用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確（即稀疏性問題）;
（2）隨著用戶和商品的增多，系統的性能會越來越低;
（3）如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦（即最初評價問題）。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。
案例: AMAZON 個性化推薦系統先驅 (基於協同過濾)
AMAZON是一個虛擬的網上書店,它沒有自己的店面,而是在網上進行在線銷售. 它提供了高質量的綜合節目資料庫和檢索系統,用戶可以在網上查詢有關圖書的信息.如果用戶需要購買的化,可以把選擇的書放在虛擬購書籃中,最後查看購書籃中的商品,選擇合適的服務方式並且提交訂單,這樣讀者所選購的書在幾天後就可以送到家.
AMAZON書店還提供先進的個性化推薦功能,能為不同興趣偏好的用戶自動推薦符合其興趣需要的書籍. AMAZON使用推薦軟體對讀者曾經購買過的書以及該讀者對其他書的評價進行分析後,將向讀者推薦他可能喜歡的新書,只要滑鼠點一下,就可以買到該書了;AMAZON能對顧客購買過的東西進行自動分析,然後因人而異的提出合適的建議. 讀者的信息將被再次保存.這樣顧客下次來時就能更容易的買到想要的書. 此外,完善的售後服務也是AMAZON的優勢,讀者可以在拿到書籍的30天內,將完好無損的書和音樂光碟退回AMAZON, AMAZON將原價退款. 當然AMAZON的成功還不止於此, 如果一位顧客在AMAZON購買一本書,下次他再次訪問時,映入眼簾的首先是這位顧客的名字和歡迎的字樣.

② 推薦演算法會產生哪些負面影響

‍‍‍‍長期刷網頁的人會有一個感覺，每天花了大量的時間看頭條新聞，結果偶爾打開電視，發現錯過了很多重要有意義的新聞，說明演算法推薦方式本身有缺陷，它並沒有足夠全面的掌控用戶喜好，結果就是大家獲取到的信息是片面的。‍‍‍‍

③ 推薦演算法的主要推薦方法的對比

各種推薦方法都有其各自的優點和缺點，見表1。 表1 主要推薦方法對比 推薦方法優點缺點基於內容推薦推薦結果直觀，容易解釋；不需要領域知識 新用戶問題；復雜屬性不好處理；
要有足夠數據構造分類器 協同過濾推薦新異興趣發現、不需要領域知識；隨著時間推移性能提高；
推薦個性化、自動化程度高；
能處理復雜的非結構化對象 稀疏問題；可擴展性問題；
新用戶問題；
質量取決於歷史數據集；
系統開始時推薦質量差； 基於規則推薦能發現新興趣點；不要領域知識 規則抽取難、耗時；產品名同義性問題；
個性化程度低； 基於效用推薦無冷開始和稀疏問題；對用戶偏好變化敏感；
能考慮非產品特性 用戶必須輸入效用函數；推薦是靜態的，靈活性差；
屬性重疊問題； 基於知識推薦能把用戶需求映射到產品上；能考慮非產品屬性 知識難獲得；推薦是靜態的

④ 簡要智能閱讀中智能推薦的技術原理

智能推薦演算法總的來說分為兩種：基於內容的推薦演算法和協同過濾推薦演算法。

基於內容的推薦演算法：

根據內容的相似度（靜態的東西）進行推薦，內容不好提取的可以採取貼標簽的形式來區分計算內容的相似程度。然後根據用戶的喜好設置，關注等進行相似內容推薦。

協同過濾推薦演算法：

根據動態信息來進行推薦，即推薦的過程是自動的，推薦結果的產生是系統從用戶的購買行為或瀏覽記錄等隱式信息拿到的，無需用戶通過填表格等方式來明確自己的喜好。因為這些數據都是要讀到內存中進行運算的，所以又叫基於內存的協同過濾（Memory-based Collaborative Filtering）,另一種協同過濾演算法則是基於模型的協同過濾(Model-based Collaborative Filtering)；m個物品，m個用戶的數據，只有部分用戶和部分數據之間是有評分數據的，其它部分評分是空白，此時我們要用已有的部分稀疏數據來預測那些空白的物品和數據之間的評分關系，找到最高評分的物品推薦給用戶。對於這個問題，用機器學習的思想來建模解決，主流的方法可以分為：用關聯演算法，聚類演算法，分類演算法，回歸演算法，矩陣分解，神經網路,圖模型以及隱語義模型來解決。

（https://www.cnblogs.com/chenliyang/p/6548306.html）

而基於內存的協同過濾又有兩種：

• 基於user的協同過濾(用戶相似度):通過相似用戶的喜好來推薦

• 基於item的協同過濾(內容相似度):通過用戶對項目的不同評分推薦可能讓用戶打高評分的項目，是項目之間的相似度。

任何一種單一推薦演算法都有缺點，我們在實際項目中，可以採用混合推薦演算法，融合以上方法，通過串聯並聯等融合，構造出自己的一套推薦體系。

⑤ 演算法推薦利弊分析

橫河或Fluke採用的平均演算法，算的是兩相的平均值，不能作為第三相的值。否則，將得到錯誤的結論。舉例說，a、b、c三相，b接單相電的N端，a、c一起接L端。此時，應該有：Uab=Ucb；Uca=0；若採用平均法，就有Uca=Uab=Ucb。

⑥ 如何做好「推薦演算法」有哪些常見的錯誤需要避免

在這里share一下。
1、推薦演算法的構成
一套標準的推薦演算法，需要四個組成部分
第一：數據源，行為基礎數據的篩選；通常，推薦演算法來源於用戶行為的採集，簡單說就是行為數據越豐富，樣本覆蓋率越全面，結果越准確；如果采樣有偏差，那麼結果就會有偏差。
舉例1：游戲推薦演算法，我們之前限於采樣技術水平和處理能力，用的是登陸用戶玩過的游戲歷史，那麼推薦結果就會偏重於需要登陸的游戲。而隨著技術提升用全部用戶玩過的游戲歷史，就更全面了。
舉例2：在搜索引擎中，對關鍵詞做推薦，有兩種方案，一種是基於廣告主的競價記錄；另一種是基於網民的搜索行為；前一種專業性更強，噪音小；後一種覆蓋面廣，噪音大，各有利弊，根據業務訴求選擇。
推薦演算法，通常來源於用戶的行為記錄，比如關鍵詞推薦用用戶搜索歷史，電商推薦用用戶購物歷史，游戲推薦用玩家玩游戲的歷史，然後基於演算法給出相關度，再排序展示 ；但這不絕對，也有並非基於用戶行為記錄的推薦原理，比如基於用戶身份特徵或其他地區、網路環境等特徵，限於篇幅和常見的業務訴求，這里就不展開說明了。
行為基礎數據必要時要做一些去除噪音的工作，比如你通過日誌分析玩家游戲歷史，或用戶購物歷史，至少知道把各搜索引擎和工具的抓取痕跡過濾出去，否則結果是很難看的。
演算法很多種，網上可以搜到很多，就算搜不到，或者搜到了看不懂，自己編也不難的（我就編過，效果自以為還不錯，但是的確不如人家專業的演算法效果好，所以適合練手，不適合出去吹牛）
不同演算法差異還是蠻大的，需要理解一下業務訴求和目標特徵來選擇。這個我真心不是高手，我們同事講的演算法我都沒能理解，就不多說了。微博上的「張棟_機器學習"和"梁斌penny"都是演算法高手，大家可以多關心他們的微博。
第三：參數！
絕對不要認為用到了好的演算法就可以了！演算法往往會基於一些參數來調優，這些參數哪裡來？很不好意思的告訴你，大部分是拍腦袋出來的。但是你拍腦袋出來後，要知道去分析結果，去看哪裡對，哪裡錯，哪裡可以改，好的演算法可以自動調優，機器學習，不斷自動調整參數達到最優，但是通常可能需要你不斷手工去看，去看badcase，想想是什麼參數因素導致的，改一下是否變好？是否引入新的bad case？
第四：校驗！
校驗一種是人工做盲測，A演算法，B演算法的結果混淆，選案例集，看哪個效果好；或A參數、B參數混淆，同理測試。通過盲測選擇認為更合理的演算法、更適宜的參數.
以上是個人認為，做好推薦演算法的步驟
下面說一下常見問題
1、以為有了演算法就ok了，不對參數優化，不做後續的校驗和數據跟蹤，效果不好就說演算法有問題，這種基本屬於工作態度的問題了。
2、對樣本數據的篩選有問題，或缺乏必要的噪音篩查，導致結果噪音多。比如你有個推廣位天天擺著，導致用戶點擊多，然後導致後台行為數據里它和誰的關聯都高，然後不管用戶到哪裡都推薦這個玩意，這就是沒有足夠篩查。
3、熱度影響
我說一下最簡單的推薦演算法
同時選擇了A和B的人數作為A與B的關聯度。
這個實現最簡單，也最容易理解，但是很容易受熱度影響
我曾經注意過某個熱門圖書電商網站，推薦的關聯書籍一水的熱門書籍，就是這個問題。
這些是非常簡單但是又非常容易出現的，關聯誤區。
4、過於求全
現在也遇到一些朋友，一提到推薦演算法或者推薦系統，就說我這個要考慮，那個要考慮，不管是行為記錄，還是用戶特徵，以至於各種節日效應，等等等等，想通過一個推薦系統完全搞定，目標很大，所以動作就極慢，構思洋洋灑灑做了很多，實現起來無從下手，或者難以寸進；我覺得，還是量力而行，從最容易下手的地方開始，先做到比沒有強，然後根據不斷地數據校驗跟蹤，逐漸加入其他考慮因素，步步前進，而不要一上來就定一個宏偉的龐大的目標；此外要考慮實現成本和開發周期，對於大部分技術實力沒有網路，騰訊，淘寶那麼強的公司而言，先把簡單的東西搞好，已經足夠有效了，然後在運營數據的基礎上逐次推進，會越來越好；有些公司是被自己宏大的目標搞的焦頭爛額，最後說，哎，沒牛人搞不定啊。嗯，反正他們的目標，我顯著是搞不定的。就這些，希望有所幫助

⑦ 3分鍾輕鬆了解個性化推薦演算法

推薦這種體驗除了電商網站，還有新聞推薦、電台音樂推薦、搜索相關內容及廣告推薦，基於數據的個性化推薦也越來越普遍了。今天就針對場景來說說這些不同的個性化推薦演算法吧。
說個性化之前，先提一下非個性化。 非個性化的推薦也是很常見的，畢竟人嘛都有從眾心理，總想知道大家都在看什麼。非個性化推薦的方式主要就是以比較單一的維度加上半衰期去看全局排名，比如，30天內點擊排名，一周熱門排名。

但是只靠非個性化推薦有個弊端，就是馬太效應，點的人越多的，經過推薦點得人有更多。。。強者越強，弱者機會越少就越弱，可能導致兩級分化嚴重，一些比較優質素材就被埋沒了。

所以，為了解決一部分馬太效應的問題，也主要是順應數據化和自動化的模式，就需要增加個性化的推薦（可算說到正題了。。。）個性化的優點是不僅體驗好，而且也大大增加了效率，讓你更快找到你感興趣的東西。YouTube也曾做過實驗測試個性化和非個性化的效果，最終結果顯示個性化推薦的點擊率是同期熱門視頻的兩倍。

1.新聞、視頻、資訊和電台（基於內容推薦）

一般來說，如果是推薦資訊類的都會採用基於內容的推薦，甚至早期的郵件過濾也採用這種方式。

基於內容的推薦方法就是根據用戶過去的行為記錄來向用戶推薦相似額推薦品。簡單來說就是你常常瀏覽科技新聞，那就更多的給你推薦科技類的新聞。

復雜來說，根據行為設計權重，根據不同維度屬性區分推薦品都是麻煩的事，常用的判斷用戶可能會喜歡推薦品程度的餘弦向量公式長這樣，我就不解釋了（已經勾起了我關於高數不好的回憶）。。。

但是，這種演算法缺點是由於內容高度匹配，導致推薦結果的驚喜度較差，而且有冷啟動的問題，對新用戶不能提供可靠的推薦結果。並且，只有維度增加才能增加推薦的精度，但是維度一旦增加計算量也成指數型增長。如果是非實體的推薦品，定義風格也不是一件容易的事，同一個作者的文風和曲風也會發生改變。

2.電商零售類（協同過濾推薦和關聯規則推薦）

說電商推薦那不可能不講到亞馬遜，傳言亞馬遜有三成的銷售額都來自個性化的商品推薦系統。實際上，我自己也常常在這里找到喜歡的書，也願意主動的去看他到底給我推薦了什麼。

一般，電商主流推薦演算法是基於一個這樣的假設，「跟你喜好相似的人喜歡的東西你也很有可能喜歡。」即協同過濾過濾演算法。主要的任務就是找出和你品味最相近的用戶，從而根據最近他的喜好預測你也可能喜歡什麼。

這種方法可以推薦一些內容上差異較大但是又是用戶感興趣的物品，很好的支持用戶發現潛在的興趣偏好。也不需要領域知識，並且隨著時間推移性能提高。但是也存在無法向新用戶推薦的問題，系統剛剛開始時推薦質可能較量差。

電商行業也常常會使用到基於關聯規則的推薦。即以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦對象。比如，你購買了羽毛球拍，那我相應的會向你推薦羽毛球周邊用品。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零售業中已經得到了成功的應用。

3.廣告行業（基於知識推薦）

自從可以瀏覽器讀取cookies，甚至獲得年齡屬性等信息，廣告的個性化投放就也可以根據不同場景使用了。

當用戶的行為數據較少時，基於知識的推薦可以幫助我們解決這類問題。用戶必須指定需求，然後系統設法給出解決方式。假設，你的廣告需要指定某地區某年齡段的投放，系統就根據這條規則進行計算。基於知識的推薦在某種程度是可以看成是一種推理技術。這種方法不需要用戶行為數據就能推薦，所以不存在冷啟動問題。推薦結果主要依賴兩種形式，基於約束推薦和基於實例推薦。

4.組合推薦

由於各種推薦方法都有優缺點，所以在實際中，並不像上文講的那樣採用單一的方法進行建模和推薦（我真的只是為了解釋清楚演算法）。。。

在組合方式上，也有多種思路：加權、變換、混合、特徵組合、層疊、特徵擴充、元級別。 並且，為了解決冷啟動的問題，還會相應的增加補足策略，比如根據用戶模型的數據，結合挖掘的各種榜單進行補足，如全局熱門、分類熱門等。 還有一些開放性的問題，比如，需不需要幫助用戶有品味的提升，引導人去更好的生活。

最後，我總想，最好的推薦效果是像一個了解你的朋友一樣跟你推薦，因為他知道你喜歡什麼，最近對什麼感興趣，也總能發現一些有趣的新東西。這讓我想到有一些朋友總會興致勃勃的過來說，嘿，給你推薦個東西，你肯定喜歡，光是聽到這句話我好像就開心起來，也許這就是我喜歡這個功能的原因。

⑧ 遺傳演算法的優缺點

優點：

1、遺傳演算法是以決策變數的編碼作為運算對象，可以直接對集合、序列、矩陣、樹、圖等結構對象進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。

另一方面也使得遺傳演算法具有廣泛的應用領域，如函數優化、生產調度、自動控制、圖像處理、機器學習、數據挖掘等領域。

2、遺傳演算法直接以目標函數值作為搜索信息。它僅僅使用適應度函數值來度量個體的優良程度，不涉及目標函數值求導求微分的過程。因為在現實中很多目標函數是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。

3、遺傳演算法具有群體搜索的特性。它的搜索過程是從一個具有多個個體的初始群體P(0)開始的，一方面可以有效地避免搜索一些不必搜索的點。

另一方面由於傳統的單點搜索方法在對多峰分布的搜索空間進行搜索時很容易陷入局部某個單峰的極值點，而遺傳演算法的群體搜索特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全局搜索性。

4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜索更為靈活，參數對其搜索效果的影響也盡可能的小。

5、遺傳演算法具有可擴展性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。

缺點：

1、遺傳演算法在進行編碼時容易出現不規范不準確的問題。

2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。

3、遺傳演算法效率通常低於其他傳統的優化方法。

4、遺傳演算法容易出現過早收斂的問題。

(8)傳統推薦演算法缺點擴展閱讀

遺傳演算法的機理相對復雜，在Matlab中已經由封裝好的工具箱命令，通過調用就能夠十分方便的使用遺傳演算法。

函數ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最優解，fval是最優值，@fitnessness是目標函數，nvars是自變數個數，options是其他屬性設置。系統默認求最小值，所以在求最大值時應在寫函數文檔時加負號。

為了設置options，需要用到下面這個函數：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通過這個函數就能夠實現對部分遺傳演算法的參數的設置。

⑨ 傳統媒體的挑戰和缺陷有哪些

傳統媒體的挑戰如下：

1、常用的新聞智能推薦演算法，是根據用戶個人的歷史閱讀喜好在內容資源池中進行關鍵詞分析匹配，實現個性化推薦，未被演算法匹配的內容因與用戶歷史喜好相似度不高而不會被演算法推薦，長此以往受眾的閱讀視野便會受到限制。

2、以演算法為主導的新聞聚合形式，會讓點擊率高的信息得到更多的推薦，使得一些輿論沖突、虛假新聞、流言與謠言被演算法推薦，造成廣泛傳播，與主流信息相悖。

3、各方的觀點和多元的思想會被演算法淹沒，降低了多元化與公共性新聞的傳播效能，新聞的公共性面臨著被消解的危險，主流媒體對普通受眾甚至弱勢群體應有的價值關懷也會被削弱。

傳統媒體的缺陷

1、內容形式創新性不足。這尤其體現在短視頻新聞事件報道中，瀏覽新聞客戶端及抖音中的短視頻新聞發現，部分視頻是電視新聞的壓縮版，對在傳統渠道上發布過的新聞內容進行重點畫面截取，添加字幕和音效後向受眾推送，簡單搬運過來的新聞信息缺乏新意。

2、新聞敘事過於宏大。部分主流媒體進行重大主題報道時存在過度強調宏大敘事，新聞組織策劃模板化、僵硬化等不足。在傳統媒體新聞傳播中，受眾作為被動的信息接收者，除了看與不看兩種選擇外，既不能參與到新聞信息內容生產中，也不能控制信息流向。

3、內容生產缺乏用戶思維。傳統新聞傳播方式和新形勢下用戶接收新聞的習慣契合度不高，仍然採用以媒體為中心生產新聞的傳統方式，用戶需求如若長期得不到滿足，勢必會引起傳播力的下降。

4、信息發布缺乏差異化。部分傳統媒體仍然沿用將同樣的內容在不同的媒介上同時發布的習慣，並沒有將傳統分發方式與互聯網中各個新媒體平台的差異化形式、內容及傳播特點相結合。

⑩ 改進模擬退火演算法與傳統模擬退火演算法相比優缺點是什麼，如有缺點該如何改進

1、模擬退火演算法是一種新的隨機搜索方法,它是近年來提出的一種適合於解決大規模組合優化問題的通用而有效的近似演算法。與以往的近似演算法相比,模擬退火演算法具有描述簡單、使用靈活、運用廣泛、運行效率高和較少受到初始條件約束等優點。
2、模擬退火演算法新解的產生和接受可分為如下四個步驟：
第一步是由一個產生函數從當前解產生一個位於解空間的新解；為便於後續的計算和接受，減少演算法耗時，通常選擇由當前新解經過簡單地變換即可產生新解的方法，如對構成新解的全部或部分元素進行置換、互換等，注意到產生新解的變換方法決定了當前新解的鄰域結構，因而對冷卻進度表的選取有一定的影響。
第二步是計算與新解所對應的目標函數差。因為目標函數差僅由變換部分產生，所以目標函數差的計算最好按增量計算。事實表明，對大多數應用而言，這是計算目標函數差的最快方法。
第三步是判斷新解是否被接受,判斷的依據是一個接受准則，最常用的接受准則是Metropo1is准則: 若Δt′<0則接受S′作為新的當前解S，否則以概率exp(-Δt′/T)接受S′作為新的當前解S。
第四步是當新解被確定接受時，用新解代替當前解，這只需將當前解中對應於產生新解時的變換部分予以實現，同時修正目標函數值即可。此時，當前解實現了一次迭代。可在此基礎上開始下一輪試驗。而當新解被判定為舍棄時，則在原當前解的基礎上繼續下一輪試驗。