UserCF
的原理是,在一个在线个性化推荐系统中,当一个用户 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 没有听说过的物品推荐给 。
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 和物品 具有很大的相似度是因为喜欢物品 的用户大都也喜欢物品 。
与
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》