推荐算法学习之协同过滤

基于邻域的算法是推荐系统中最基本的算法，分为两类，1.基于用户的协同过滤（collaborative filter）算法，2.基于物品的协同过滤算法。

基于用户的CF算法

步骤如下：

a.找到和目标用户兴趣相似的用户集合，

b.找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

基于物品的CF算法

基于物品的CF算法是目前业界应用最多的算法。给用户推荐他们之前喜欢的物品相似的物品。

步骤如下：

a.计算物品之间的相似度

b.根据物品的相似度和用户的历史行为给用户生成推荐列表

User CF的缺点：用户数越来越大，计算困难。

UserCF和ItemCF的比较

UserCF给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品，而ItemCF给用户推荐那些和他之前喜欢的物品类似的物品。UserCF的推荐更社会化，反应了用户所在的小兴趣群体中物品的热门程度，而ItemCF的推荐更个性化，反映了用户自己的兴趣传承。

新闻类网站--适用UserCF

1.新闻类网站中用户的兴趣不是特别细化，热门程度和时效性是新闻推荐的重点。

2.技术角度来看，新闻的更新非常快，而ItemCF需要维护一张用户相关度的表，在技术上很难实现。

图书和电影网站--适用ItemCF

1.用户的兴趣比较固定和持久

2.个性化推荐的任务是帮助用户发现他感兴趣的物品

3.物品的更新速度不会特别快

UserCF vs ItemCF

参考书籍：

推荐系统实践 -- 项亮

[读书笔记 |《推荐系统实践》- 个性化推荐系统总结](https://www.jianshu.com/p/319e4933c5ba)