推荐算法之用户推荐（UserCF）和物品推荐（ItemCF）对比

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