推薦演算法中除了itemcf外還有哪些計算item相似度的策略，另外有哪些基於模型的itemcf演算法？

01-09

目前公司的app是電商平台，商品詳情頁上有個相關商品推薦場景。要求推薦的goods候選集只由當前瀏覽的gid決定，要保證不同user瀏覽同一個goods都能有完全一樣的相關goods候選集（個性化功能是用機器學習模型ranking來做不同user展示不通的top N個goods）。目前我用的方法靠基於記憶的itemcf和基於商品標題內容的lda主題模型這2個演算法生成候選集的，還有其他方法用於生成候選集嗎

推薦系統中關於計算item之間的相似度的演算法很多，需要根據自己的數據規模、特徵、場景等各個維度來選擇合適的計算模型。一般而言，我們可以參考推薦系統中不同的推薦演算法來說明幾種比較流行的item相似度計算方法。

1. 基於content based的相似度計算

該方法以item的顯性特徵為基礎，構建item的空間向量模型，例如對於一篇文章，特徵可以包括作者、類型、標題特徵、正文特徵、用戶自定義標籤等等，對於一個視頻，可以是視頻時長、視頻類型、演員、導演等等，有了每個item的向量空間模型，接下來使用向量距離相似度計算就可以得到item間的相似度；

2. 基於領域的item cf的相似度計算；

該方法使用基於領域的item cf演算法，計算出每個item的 action user向量，據此可以通過計算這兩個action user向量的相似度來衡量item間的相似度。常用的衡量的方法有jacarrd相似度、餘弦相似度、皮爾遜相似度等等。

3. 基於矩陣分解的item隱向量計算item相似度

通過業界流行的矩陣分解方法（SVD,SVD++,FM,LDA等等）來計算user 和item在隱向量空間上的向量坐標，得到每個item的隱向量後，計算item間的相似度就比較容易了。

4. 基於深度學習的item向量表達

隨著深度學習的發展，使用深度學習技術（item2vec、node2vec、DNN、CNN）來學習item隱向量，例如google使用DNN學習user和item的隱向量來做視頻推薦等。

1買過這個商品的用戶還買過。。。。

2 建立標籤體系如多層分類，然後根據分類設定相似度標準

3 其他文本相似度計算方法，這個多難都行，無監督的如word2vec，如果利用用戶點擊日誌做有監督的，根據數據量，搭建合適模型，deep的或者樹模型或者LR，自由發揮了。

可以基於商品本身屬性計算相似性啊

可以item本身的屬性進行相關性來計算，另外可以採用word2vec的思路做item2vec 事實上已經有了不少相關工作。