【推荐系统】{3} —— UserCF 与 ItemCF

UserCF

$UserCF$ 的原理是，在一个在线个性化推荐系统中，当一个用户 $A$ 需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户 $A$ 没有听说过的物品推荐给 $A$。

ItemCF

$ItemCF$ 主要通过分析用户的行为记录计算物品之间的相似度。该算法认为，物品 $A$ 和物品 $B$ 具有很大的相似度是因为喜欢物品 $A$ 的用户大都也喜欢物品 $B$。

---

$UserCF$ 与 $ItemCF$

	UserCF	ItemCF
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较大	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较大
领域	时效性要求高，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（但是新的item到来也同样是冷启动问题）
推荐理由	很难提供令用户信服的推荐解释	可以根据用户历史行为归纳推荐理由

---

参考资料：《推荐系统实践》