推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
2014-12-22 22:53
232 查看
一、定义
UserCF:推荐那些和他有共同兴趣爱好的用户喜欢的物品
ItemCF:推荐那些和他之前喜欢的物品类似的物品
根据用户推荐重点是反应和用户兴趣相似的小群体的热点,根据物品推荐着重与用户过去的历史兴趣,即:UserCF是某个群体内的物品热门程度
ItemCF是反应本人的兴趣爱好,更加个性化
二、新闻类网站采用UserCF的原因:
用户大都喜欢热门新闻,特别细粒度的个性化可忽略不计个性化新闻推荐更强调热点,热门程度和实效性是推荐的重点,个性化重要性则可降低
ItemCF需要维护一张物品相关度的表,当物品量更新速度太快时,此表的维护在技术上有难度。新闻类网站对于新用户可直接推荐热门新闻即可
对于电商、音乐、图书等网站而言,ItemCF的优势更大:
用户的兴趣比较固定和持久;
不需要太过考虑流行度,只需要帮用户发现他研究领域相关物品即可
技术角度考量
UserCF需要维护一个用户相似度矩阵
ItemCF需要维护一个物品相似度矩阵
三、优缺点对比
项目 | UserCF | ItemCF |
性能 | 适用于用户较少的场合,如果用户过多,计算用户相似度矩阵的代价交大 | 适用于物品数明显小于用户数的场合,如果物品很多,计算物品相似度矩阵的代价交大 |
领域 | 实效性要求高,用户个性化兴趣要求不高 | 长尾物品丰富,用户个性化需求强烈 |
实时性 | 用户有新行为,不一定需要推荐结果立即变化 | 用户有新行为,一定会导致推荐结果的实时变化 |
冷启动 | 在新用户对少的物品产生行为后,不能立即对他进行个性化推荐,因为用户相似度是离线计算的 新物品上线后一段时间,一旦有用户对物品产生行为,就可以将新物品推荐给其他用户 | 新用户只要对一个物品产生行为,就能推荐相关物品给他,但无法在不离线更新物品相似度表的情况下将新物品推荐给用户 |
推荐理由 | 很难提供 | 可以根据用户历史行为归纳推荐理由 |
相关文章推荐
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 用R解析Mahout用户推荐协同过滤算法(UserCF)
- UserCF和ItemCF详细对比
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 【协同过滤推荐算法】欧氏距离表示用户或物品相似度
- 机器学习:推荐算法之基于用户、基于物品和Slope One
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- <五>、简单分析基于物品的 CF(Item CF)推荐算法
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 实战智能推荐系统(9)-- UserCF & ItemCF
- 用R解析Mahout用户推荐协同过滤算法(UserCF)