usercf
itemcf
效能適用於使用者較少的場合，如果使用者很多，計算使用者相似度矩陣代價很大
適用於物品數明顯小於使用者數的場合，如果物品很多（網頁），計算物品相似度矩陣代價很大
領域時效性較強，使用者個性化興趣不太明顯的領域
長尾物品豐富，使用者個性化需求強烈的領域
實時性使用者有新行為，不一定造成推薦結果的立即變化
使用者有新行為，一定會導致推薦結果的實時變化
冷啟動在新使用者對很少的物品產生行為後，不能立即對他進行個性化推薦，因為使用者相似度錶是每隔一段時間離線計算的
新物品上線後一段時間，一旦有使用者對物品產生行為，就可以將新物品推薦給和對它產生行為的使用者興趣相似的其他使用者
但沒有辦法在不離線更新物品相似度錶的情況下將新物品推薦給使用者
推薦理由
很難提供令使用者信服的推薦解釋
利用使用者的歷史行為給使用者做推薦解釋，可以令使用者比較信服
基於物品的協同過濾演算法
核心思想 給使用者推薦那些和他們之前喜歡的物品相似的物品。不同於基於內容的推薦，基於物品的協同過濾中的相似主要是利用使用者行為的集體智慧型。相似度的計算計算相似度的實現方式是多種多樣的 對物品的喜愛程度並不能單純的使用二值屬性來評價，很多資料集包含了使用者對物品的詳細評分資料，將評分資料進一步引入到...
基於物品的協同過濾演算法
輸入 輸入 物品使用者行為矩陣，行為矩陣中的元素只有0和1，0代表行為的負類，1代表行為的正類。比如不喜歡與喜歡 不點贊與點讚 不收藏與收藏。輸出 輸出1 根據輸入可計算得到物品相似度矩陣 前言 基於物品的協同過濾演算法適用於物品數明顯小於使用者數的場景，適用於長尾物品豐富，使用者個性化需求強烈的領...
推薦系統 基於使用者和基於物品的協同過濾演算法的比較
首先回顧一下，協同過濾演算法主要有兩種，一種是基於使用者的協同過濾演算法 usercf 另一種是基於物品的協同過濾演算法 itemcf 基於使用者的協同過濾演算法主要有兩步 1 找到和目標使用者興趣相似的使用者集合 2 找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。基於...