协同过滤算法UserCF和ItemCF优缺点对⽐
转载原⽂链接：有牛的成语
UserCF：
1. 性能：适⽤于⽤户较少的场合，如果⽤户很多，计算⽤户相似度矩阵代价很⼤。
2. 领域：时效性较强，⽤户个性化兴趣不太明显的领域。
3. 实时性：⽤户有新⾏为，不⼀定造成推荐结果的⽴即变化。
4. 冷启动：新车除味
1. 在新⽤户对很少的物品产⽣⾏为后，不能⽴即对它进⾏个性化推荐，因为⽤户相似度表⽰每隔⼀段时间离线计算的。
2. 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和对它产⽣⾏为的⽤户兴趣相似的其他⽤户。
5. 推荐理由：很难提供令⽤户信服的推荐解释。
ItemCF：
1. 性能：适⽤于物品数明显⼩于⽤户数的场合，如果物品很多，计算物品的相似度矩阵代价很⼤。
2. 领域：长尾物品丰富，⽤户个性化需求强烈的领域。
她组词语3. 实时性：⽤户有新⾏为，⼀定会导致推荐结果的实时变化。
4. 冷启动：
公众平台登录界面1. 新⽤户只要对⼀个物品产⽣⾏为，就可以给它推荐和该物品相关的其它物品。
2. 但没有办法在不离线更新物品相似度表的情况下将新的物品推荐给⽤户。
5. 推荐理由：利⽤⽤户的历史⾏为给⽤户做推荐解释，可以令⽤户⽐较信服。
推荐结果多样性
在实际运⽤中，推荐结果的多样性对⽤户体验有很⼤的影响。试想，⼀个⽤户就因为是周杰伦的粉丝，于是系统就给他推荐满屏有关周杰伦的新闻，这样的推荐系统⽆疑是失败的（即使它精确地捕捉到该⽤户是周杰伦的粉丝这⼀点）。因此，在设计推荐系统时必须考虑推荐结果的多样性。简单分析
不难发现，item-based⽅法推荐结果的多样性不如user-based。item-based⽅法推荐的是⾃⼰历史喜欢的物品的近邻物品，也就是说，被推荐的物品永远都围绕⾃⼰的历史兴趣产⽣，不可能推荐与⾃⼰历史兴趣不太相关的物品。⽽user-based⽅法推荐的是⾃⼰近邻⽤户喜欢的物品，其它⽤户是⾃⼰的近邻⽤户，只能说明我们之间曾经共同喜欢过很多物品，对⽅仍然喜欢很多物品与我的历史兴趣⽆关，它们是隐藏在我内⼼深处⽽未表现出来的的兴趣，这些物品将会被user-based协同过滤算法推荐给我。
系统覆盖率
推荐系统的覆盖率是指系统中有多少物品可能被推荐。对于推荐系统的运营⽅⽽⾔，当然希望系统中的所有物品都有可能被推荐系统推荐给⽤户。分析发现，user-based推荐的产品多集中在热门产品⾥⾯，⽽item-based⽅法更善于推荐长尾的产品。因此，item-based推荐⽅法的整体覆盖率要⾼于user-based。
推荐精度
user-based和item-based两种协同过滤⽅法的精度类似。统计发现，⼆者推荐的内容之间存在50%的相似度，另外50%的内容各⾃有各⾃的特点。因此，通常将两个⽅法混⽤，使其互补。
发芽的土豆⽤户对推荐算法的适应度
假设⽤户有明确的兴趣（它的历史记录聚焦在某个兴趣点上），那么，他更适应item-based推荐算法；相反，假设⽤户没有明确的兴趣，或者兴趣⽐较分散，但是该⽤户有很多好友，或者他的近邻⽤户分散⽐较密切，则更适应user-based推荐算法。=
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论