协同过滤

最经典的推荐算法

牵涉用户商品的交互信息，用户行为等

显性反馈行为——喜好，打分，评论

隐形反馈行为——点击，浏览

UserCF

基于假设：喜欢类似物品的用户可能有相同或相似的口味和偏好

步骤：

1,找到与目标用户兴趣相似的群体

 设两用户喜好的商品集合为N(U),N(V),则兴趣相似度Wu,v=N(u) 交N(v)/N(u)并N(v)

2.找到用户V喜欢的，而用户U没有听说过的商品

UserCF需提供K，表示要考虑目标用户兴趣最相似的前K个人，K不宜过大，否则会趋向于热门商品

ItemCF

基于假设：能够引起用户兴趣的商品，必定与其之该用户喜欢的商品相似（某些物品被同一用户喜欢，这些物品可能相似）

步骤：

1.通过用户对商品的行为来计算商品之间的相似度

2.根据商品的相似度和用户的历史行为，给用户生成推荐列表

计算中需对过热商品进行惩罚

UserCF vs ItemCF

UserCF偏重于反应用户小群体热点，更具社会性，而ItemCF在于维持用户的历史兴趣

UserCF(人以群分）-一般只推荐热门

ItemCF(兴趣养成）-推荐长尾能力强（多样性不足，能推荐冷门）

基于模型的CF

使用机器学习方式，基于样本的用户喜好，训练出一个推荐模型（分类）