推荐系统 - 基于记忆的协同过滤

协同过滤（Collaborative Filtering）

• 基于记忆的协同过滤

  基于记忆的协同过滤，本质上是在利用用户以及物品相关的历史记录进行推荐。

  它主要通过计算用户历史行为、物品历史评价来计算用户间的相似度以及物品间的相似度，与 K近邻的思想很类似。

  与机遇兴趣内容的推荐方法相比，协同过滤具有以下优点：

  • 能够对难以进行内容分析、标签化的物品进行推荐；
  • 利用历史信息，群体效应，可以共享他人经验；
  • 有一定推荐新品的能力，即便物品内容不相似，但根据其他用户行为也可以进行推荐；
  • 可能挖掘出用户潜在的但自己不知道的兴趣；
  • ……

• 基于用户的协同过滤

  基于用户的协同过滤，UserCF.

  通过用户的历史行为，计算两两用户之间的相似度，将 Top-N 相似的用户的感兴趣物品与目标推荐用户的感兴趣物品求差集，将差集中的物品推荐给目标用户。

  User \ Item	item_1	item_2	item_3
  user_1
  user_2

  特点：

  $\bullet$ 相对而言，适合计算用户数量较小的场景，否则计算两两用户之间的计算量较大；

  $\bullet$ 适合个性化推荐要求不严格的场景，易推荐热门物品；

  $\bullet$ 较难对推荐结果进行解释（可以使用借口掩盖）；

  $\bullet$ 用户习惯、喜好不易改变，维护用户相似表间隔更新，所以在用户有新行为时，不易进行实时推荐；

  $\bullet$ 新物品上线后，一旦有用户行为，则可立即推荐给相似用户；

• 基于物品的协同过滤

  基于物品的协同过滤，ItemCF.

  通过物品的历史被用户点评的数据，计算两两物品之间的相似度，将 Top-N 相似的物品的感兴趣用户与目标推荐物品的感兴趣用户求差集，将目标物品推荐给差集中的用户（群发）。

  Item \ User	user_1	user_2	user_3
  item_1
  item_2

  特点：

  $\bullet$ 相对而言，适合计算物品数量较小的场景，否则计算两两物品之间的计算量较大；

  $\bullet$ 适合个性化需求强烈的场景，适合长尾分布丰富的场景（个性化，但个体总和较大）；

  $\bullet$ 用户对某物品一旦有新行为，则可立即将相似物品推荐给该用户，实时性更强；

  $\bullet$ 利用用户个人的历史数据进行推荐，受信度更高；

• 基于记忆的协同过滤的缺点

  • 依赖用户对物品的准确评分；
  • 容易推荐热门物品；
  • 冷启动问题，当新用户、新物品进入系统时，推荐无从依据；
  • 评分矩阵稀疏问题，物品多，用户多，但被用户评分的物品较少（尤其对生存周期较短的内容，例如：于新闻、广告等）

• 基于其它方法的推荐

  • 基于物品属性计算相似度
  • 基于用户特征计算相似度
  • 基于用户与物品匹配度进行推荐（基于兴趣内容，在同一特征标签空间中）