打卡2-协同过滤

基本介绍

现有的协同过滤主要有以下两种：

1.  基于用户的协同过滤算法（UserCF）：给用户推荐和该用户相似的其他用户喜欢的物品
2. 基于物品的协同过滤算法（ItemCF）：给用户推荐和他之前喜欢的物品相似的物品

这两个算法可以使用两张图来表示，下图左是UserCF，图右是ItemCF。

 

UserCF

算法流程

1. 计算用户的相似度，获取与该用户最相似的用户集

2. 将用户集中用户喜欢的，并且目标用户没有见过的物品推荐给目标用户

缺点

1. 由于数据稀疏性，可能无法找到与一个用户偏好相似的用户

2. 在用户量大的情况下，算法消耗的资源过多，并且大部分时间还算不出来。

 

ItemCF

算法流程

1. 计算物品之间的相似度

2. 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

 

协同过滤的问题

1. 泛化能力弱：热门物品具有很强的头部效应， 容易跟大量物品产生相似， 而尾部物品由于特征向量稀疏， 导致很少被推
荐。这就是协同过滤的天然缺陷：推荐系统头部效应明显， 处理稀疏向量的能力弱。

2. 协同过滤完全没有利用到物品本身或者是用户自身的属性