最經典的推薦算法
牽涉用戶商品的交互信息,用戶行為等
顯性反饋行為——喜好,打分,評論
隱形反饋行為——點擊,瀏覽
UserCF
基于假設:喜歡類似物品的用戶可能有相同或相似的口味和偏好
步驟:
1,找到與目標用戶興趣相似的群體
?設兩用戶喜好的商品集合為N(U),N(V),則興趣相似度Wu,v=N(u) 交N(v)/N(u)并N(v)
2.找到用戶V喜歡的,而用戶U沒有聽說過的商品
UserCF需提供K,表示要考慮目標用戶興趣最相似的前K個人,K不宜過大,否則會趨向于熱門商品
ItemCF
基于假設:能夠引起用戶興趣的商品,必定與其之該用戶喜歡的商品相似(某些物品被同一用戶喜歡,這些物品可能相似)
步驟:
1.通過用戶對商品的行為來計算商品之間的相似度
2.根據商品的相似度和用戶的歷史行為,給用戶生成推薦列表
計算中需對過熱商品進行懲罰
UserCF vs ItemCF
UserCF偏重于反應用戶小群體熱點,更具社會性,而ItemCF在于維持用戶的歷史興趣
UserCF(人以群分)-一般只推薦熱門
ItemCF(興趣養成)-推薦長尾能力強(多樣性不足,能推薦冷門)
基于模型的CF
使用機器學習方式,基于樣本的用戶喜好,訓練出一個推薦模型(分類)