UserCF
的原理是,在一個在線個性化推薦系統中,當一個用戶 需要個性化推薦時,可以先找到和他有相似興趣的其他用戶,然後把那些用戶喜歡的、而用戶 沒有聽說過的物品推薦給 。
ItemCF
主要通過分析用戶的行爲記錄計算物品之間的相似度。該算法認爲,物品 和物品 具有很大的相似度是因爲喜歡物品 的用戶大都也喜歡物品 。
與
UserCF | ItemCF | |
---|---|---|
性能 | 適用於用戶較少的場合,如果用戶過多,計算用戶相似度矩陣的代價較大 | 適用於物品數明顯小於用戶數的場合,如果物品很多,計算物品相似度矩陣的代價較大 |
領域 | 時效性要求高,用戶個性化興趣要求不高 | 長尾物品豐富,用戶個性化需求強烈 |
實時性 | 用戶有新行爲,不一定需要推薦結果立即變化 | 用戶有新行爲,一定會導致推薦結果的實時變化 |
冷啓動 | 在新用戶對少的物品產生行爲後,不能立即對他進行個性化推薦,因爲用戶相似度是離線計算的;新物品上線後一段時間,一旦有用戶對物品產生行爲,就可以將新物品推薦給其他用戶 | 新用戶只要對一個物品產生行爲,就能推薦相關物品給他,但無法在不離線更新物品相似度表的情況下將新物品推薦給用戶(但是新的item到來也同樣是冷啓動問題) |
推薦理由 | 很難提供令用戶信服的推薦解釋 | 可以根據用戶歷史行爲歸納推薦理由 |
參考資料:《推薦系統實踐》