拾人牙慧

根据用户对item的点击次数来判据用户对物品的打分情况基本流程：特征（内容）提取提取每个待推荐物品的特征（内容属性），比如说是不同物品的分类标签等。用户偏好计算利用用户过去的显式评分或者隐式操作记录，计算用户不同特征（内容属性）上的偏好分数。内容召回：将待推荐物品的特征与用户偏好得分匹配，取出用户最可能喜欢的物品池。物品排序：按照用户偏好召回物品池，可能一次性挑选出很多内容，此时，...

核心思想给用户推荐那些和他们之前喜欢的物品相似的物品。不同于基于内容的推荐，基于物品的协同过滤中的相似主要是利用用户行为的集体智慧。相似度的计算计算相似度的实现方式是多种多样的基于共同喜欢物品的用户列表计算：wij=∣Ni⋂Nj∣∣Ni∣∗∣Nj∣ w_{ij} = \frac{|N_i \bigcap N_j|}{\sqrt{|N_i| * |N_j|}}wij​=∣N...

基于用户的协同过滤和基于物品的协同过滤在算法上非常类似，两者的主要优缺点从以下几个方面考虑：从推荐场景考虑ItemCF利用物品间的相似性做推荐，当用户数量远远超过物品数量时，就可以使用ItemCF，比如所一些购物网站，音乐网站，其物品数据相对稳定，且不必频繁更新；UserCF更适合做新闻、博客等推荐系统，其内容更新频率高。特别是在社交网络中，UserCF是一个更好的选择，可以增加用户对推荐...