协同过滤算法分类-UserCF和ItemCF比较

协同过滤算法分类-UserCF和ItemCF比较

①、实时性：

针对UserCF 是根据用户相似度矩阵来完成推荐，用户user本身的用户行为并不会造成推荐的结果发生改变

ItemCF是根据相似度物品矩阵来完成推荐的，用户user一旦有了新的行为，推荐结果会立即发生改变，用户点击了物品会立马推荐相似的物品。

②、新用户、新物品的推荐：

对于userCF新用户的到来不能立即推荐，需要用户有了一定的行为之后，并且得到了用户与其他的用户的相似度矩阵之后才可以完成推荐。

新物品入库后一旦被用户点击，userCF用户可以根据相似度矩阵将该物品推荐给该用户的相似用户

对于ItemCF新用户一旦完成的item点击就可以推荐与该item相似的其余item，新物品的到来由于新物品并没有与其他物品的矩阵中出现，所有itemCF并不能将新物品及时的推荐出去

③、推荐理由的可解释性：

由于UserCF是根据用户的相似度矩阵来完成推荐的，在推荐的过程的解释性偏弱

而ItemCF是根据用户的历史点击物品item的行为来完成推荐，推荐结果更加令人信服。

④、使用的应用场景：

性能层面考量：

UserCF需要计算用户的相似度矩阵，并不适用用户量很多的场景，因为那样用户矩阵的计算的代价会比较困难

ItemCF需要计算物品的相似度矩阵，适用于物品数远小于用户数的场合

在成熟的推荐系统中user的数量远远大于商品item的数量，所以实战中更加倾向于ItemCF

个性化层面考量：

UserCF适用于物品需要及时推荐下发且个性化需求不太强烈的领域

ItemCF适用于常委物品丰富且个性化需求强烈的领域

在真实的推荐系统中，多种个性化召回算法组合会有一些召回算法来解决 新物品及时下发问题而我们需要个性化程度比较强的场景，所以从个性化的层面考量，在落地实战中采用ItemCF来