推荐决策之协同过滤

推荐系统，整体上有三种方式：

• user->user->item, 推荐与其相同兴趣的用户喜欢的item，user-based
• user->item->item, 推荐与其喜欢的item相似的item，item-based
• user->item-feature->item，抽取用户喜欢item的特征，推荐具备这些特征的item, model-based

user-based更多的考虑相同爱好的用户兴趣，推荐这些用户喜欢/访问过的item，和用户当前的行为关系不大，更多的是用户的这些朋友访问过什么，属于圈子的社会化行为，推荐的item是相同爱好用户最喜欢的item，所以具备热点效应，也就是推荐圈子用户访问最多的；同时也可以将圈子用户刚刚访问item推荐出来，具备很强的实时性，尤其是新引入的热点，可以很快的扩散，也能解决new-item的冷启动问题。

item-based 主要考虑用户历史兴趣，推荐与用户历史喜欢item相似的item，和用户的当前行为有很大的关系，推荐的item与用户当前click的相似性，用户是可以理解的，也就是所谓的可解释性很强，推荐的item也不是热门的，很有可能是冷门(长尾)，但是和用户的兴趣相关，要求用户在这个网站上的兴趣是长久和固定的，推荐的意义在于帮助用户找到和其兴趣相关的item。推荐item和是哪个用户关系不大，所以比较好的解决新加入用户的问题。

在做推荐决策时，主要考虑如下问题：

1.用户是否对该领域有固定长期的兴趣

2.用户的规模

3.item的规模

4.新增用户的速度

5.新增item的速度

6.实时性要求