基于邻域的协同过滤算法(三)
2016-07-04 19:43
225 查看
UserCF和ItemCF的综合比较
UserCF的推荐结果着重于反映和用户兴趣相似的小群体的特点,而ItemCF的推荐结果着重于维系用户的历史兴趣。 UserCF的推荐更加社会化,而ItemCF的推荐更个性化。UserCF需要维护一个用户相似度的矩阵,而ItemCF需要维护一个物品相似度矩阵。UserCF:
性能: 适用于用户较少的场合,如果用户很多,计算用户相似度矩阵代价很大。
领域: 时效性较强, 用户个性化兴趣不太明显的领域。
实时性: 用户有新行为,不一定造成推荐结果的立即变化。
冷启动: 在新用户对很少的物品产生行为后, 不能立即对他进行个性化推荐,因为用户相似度表是每隔一段时间离线计算的。 新物品上线后一段时间,一旦有用户对物品产生行为,就可以将新物品推荐给和它产生行为的用户兴趣相似的其他用户。
推荐理由:很难提供令用户信服的推荐解释。
ItemCF:
性能:适用于物品数明显小于用户数的场合,如果物品很多(网页), 计算物品相似度矩阵代价很大。
领域:长尾物品丰富,用户个性化需求强烈的领域。
实时性: 用户有新行为, 一定会导致推荐结果的实时变化。
冷启动: 新用户只要对一个物品产生行为, 就可以给他推荐和该物品相关的其它物品。 但没有办法在不离线更新物品相似度表的情况下将新物品推荐给用户。
推荐理由:利用用户的历史行为给用户做推荐解释,可以令用户比较信服。
在阅读的过程中发现,各个推荐算法,都会在计算相似度和兴趣度的时候,通过对热门物品的惩罚来提高推荐的性能。
相关文章推荐
- 读书笔记--推荐系统实践(2)
- 读书笔记---推荐系统实践(3)
- 广告推荐系统--初探
- 推荐系统的算法
- Mahout分布式程序开发 基于物品的协同过滤ItemCF
- R实现MapReduce的协同过滤算法
- 用R解析Mahout用户推荐协同过滤算法(UserCF)
- 基于协同过滤算法推荐的过程
- 基于邻域的协同过滤算法(二)
- 基于邻域的协同过滤算法(一)
- spark中协同过滤算法分析
- mahout之旅---分布式推荐算法ALS-MR
- 推荐系统 --- 协同过滤算法
- 协同过滤推荐算法的优化(稀疏矩阵的处理)
- 机器学习9(2)推荐系统
- 基于用户的协同过滤算法(Java实现或R语言实现
- Spark MLlib中的协同过滤
- Matrix Factorization: A Simple Tutorial and Implementation in Python
- TOP 10 开源的推荐系统简介
- 推荐算法之潜在因子(Latent Factor)算法