13、协同过滤与内容过滤：推荐系统的核心技术

协同过滤与内容过滤：推荐系统的核心技术

在当今数字化的时代，推荐系统无处不在，从电商平台的商品推荐到视频网站的影视推荐，它们极大地提升了用户体验。而协同过滤和内容过滤则是构建这些推荐系统的核心技术。下面我们将深入探讨这两种过滤技术的原理、算法以及应用。

1. 协同过滤技术

协同过滤技术主要分为基于内存的协同过滤和基于模型的协同过滤。

1.1 基于内存的协同过滤

基于内存的协同过滤（Memory-based Collaborative Filtering，CF）又可细分为用户 - 物品过滤（User-Item Filtering，UIF）和物品 - 物品过滤（Item-Item Filtering，IIF）。
- 用户 - 物品过滤（UIF） ：以特定用户为中心，根据用户的购买模式寻找匹配的其他用户，然后向这些相邻用户推荐产品。例如，在电商平台中，如果用户 A 和用户 B 的购买历史非常相似，当用户 A 购买了某件商品时，系统就会向用户 B 推荐该商品。
- 物品 - 物品过滤（IIF） ：从物品的角度出发，先了解喜欢某一产品的用户，再找出这些用户还喜欢的其他产品，最后将这些产品推荐给用户。比如在视频平台中，如果很多用户在观看了某部电影后还观看了另一部电影，那么当有新用户观看了前一部电影时，系统就会推荐后一部电影。

在基于内存的协同过滤中，消费者的档案包含了他们浏览过的所有产品以及对每个产品的评分。通过评分矩阵来计算更广泛群体中用户（或物品）之间的匹配模式。评分分为二进制和非二进制两种类型，经典的 1 到 5 星评分属于非二进制评分，而点赞（或