推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
来源:互联网 发布:unity3d手游大全 编辑:程序博客网 时间:2024/06/05 11:48
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UserCFItemCF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
0 0
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 推荐系统-itemCF和userCF
- LFM和基于邻域(如UserCF、ItemCF)的方法的比较( 推荐系统)
- 推荐系统简介之一(itemCF算法)
- [推荐算法]ItemCF,基于物品的协同过滤算法
- [推荐算法]ItemCF,基于物品的协同过滤算法
- [推荐算法]ItemCF,基于物品的协同过滤算法
- [推荐算法]ItemCF,基于物品的协同过滤算法
- [推荐算法]ItemCF,基于物品的协同过滤算法
- [推荐算法]ItemCF,基于物品的协同过滤算法
- mapreduce实现推荐系统(UserCF-基于用户的协同过滤算法)
- 基于用户的协同过滤推荐算法java实现(UserCF)
- 推荐系统_LFM和基于邻域(如UserCF、ItemCF)的方法的比较
- [推荐算法]UserCF,基于用户的协同过滤算法
- [推荐算法]UserCF,基于用户的协同过滤算法
- [推荐算法]UserCF,基于用户的协同过滤算法
- 推荐系统_itemCF和userCF
- tomcat启动报错: 严重: createMBeans: Throwable java.lang.NullPointerException
- eyetribe_相关链接及功能
- 何必纠结JQuery
- VB.Net内存管理与内存释放的方法
- 继承和多态的难点总结
- 推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比
- 玩转centos7(2)--最小化你的VMware
- HDU1673 Optimal Parking【水题】
- java菜单栏的实现
- 0PE的专用菜单文件MENU.0PE解读 (一)
- 第17周上机实践项目4——日期结构体(1)
- leetcode:Majority Element
- 浅谈我对Java异常类的了解
- 光电整纬机(日本世联电子株式会社)