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）