推薦算法之用戶推薦(UserCF)和物品推薦(ItemCF)對比


一、定義

  1. UserCF:推薦那些和他有共同興趣愛好的用戶喜歡的物品
  2. ItemCF:推薦那些和他之前喜歡的物品類似的物品
    根據用戶推薦重點是反應和用戶興趣相似的小群體的熱點,根據物品推薦着重與用戶過去的歷史興趣,即:
  • UserCF是某個群體內的物品熱門程度
  • ItemCF是反應本人的興趣愛好,更加個性化

二、新聞類網站采用UserCF的原因:

  1. 用戶大都喜歡熱門新聞,特別細粒度的個性化可忽略不計
  2. 個性化新聞推薦更強調熱點,熱門程度和實效性是推薦的重點,個性化重要性則可降低
  3. ItemCF需要維護一張物品相關度的表,當物品量更新速度太快時,此表的維護在技術上有難度。新聞類網站對於新用戶可直接推薦熱門新聞即可
  4. 對於電商、音樂、圖書等網站而言,ItemCF的優勢更大:
  • 用戶的興趣比較固定和持久;
  • 不需要太過考慮流行度,只需要幫用戶發現他研究領域相關物品即可
    5.技術角度考量
  • UserCF需要維護一個用戶相似度矩陣
  • ItemCF需要維護一個物品相似度矩陣

三、優缺點對比

項目 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交大 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交大
領域 實效性要求高,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 用戶有新行為,不一定需要推薦結果立即變化 用戶有新行為,一定會導致推薦結果的實時變化
冷啟動 在新用戶對少的物品產生行為后,不能立即對他進行個性化推薦,因為用戶相似度是離線計算的 新物品上線后一段時間,一旦有用戶對物品產生行為,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為,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
推薦理由 很難提供 可以根據用戶歷史行為歸納推薦理由


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM