CF中User-Based与Item-Based的区别

先来了解以下两者的实现思路：

User-Based算法基本思路：

1. 找到与目标用户购买过相（同）类似商品的用户，作为相似用户；
2. 得到相似用户评价很高的，并且目标用户没有评分过（购买过）的Item，并推荐给目标用户；

Item-Based算法基本思路：

1. 计算目标用户评分过（购买过）的Item与其他Item的相似度；
2. 根据目标用户的历史行为和物品的相似度，为目标用户生成推荐列表；

        可以看出，User-Based算法注重的是用户所在的”兴趣小组“，给用户推荐的是所在的小组中的热门商品，更注重社会化，群体化；Item-Based算法更注重的是用户有过的历史行为的商品，以用户本身的兴趣爱好为基础，更注重个性化。

一、适用场景上的比较

        User-Based算法基于用户与用户之间的相似程度来进行推荐，因此，当用户量远远少于Item数量时，可以考虑使用User-Based算法。如社交网站，快消素材网站，短视频之类的，就比较适合这种算法，因为这类网站内容更新比较频繁，且用户更加注重社会化热点。

        Item-Based算法基于物品与物品之间的相似度来推荐，当Item数量远远少于用户量时，可以使用该算法。如购物网站，技术博客，音乐推荐系统，因此可以减少推荐的计算量，而且不必频繁更新。

二、推荐系统多样性的比较

        单用户方面：User-Based的多样性优于Item-Based，因为前者是可以推荐到不同用户的商品，而后者只能依据本身历史行为；

        系统方面：Item-Based多样性优于User-Based，对于前者，每个用户都是基于个性化，整个系统来说，推荐的商品更多样性，而后者则集中于热门商品。

三、用户特点上的比较

        User-Based算法是基于兴趣小组成员所喜欢的商品，如果目标用户暂时找不到其具有共同兴趣的用户，那么使用User-Based算法时，出来的效果大打折扣，因此，是否选择使用User-Based算法，与兴趣小组成员数量成正相关关系；

        Item-Based算法则是基于商品的自相似度，它认为”用户对于他购买过的相似商品，一定会感兴趣“。如果该商品是一种周期性短的，那么Item-Based会比较合适，反之亦然。