推荐算法之用户推荐(UserCF)和物品推荐(ItemCF)对比

时间:2023-02-07 20:39:39

一、定义

  1. UserCF:推荐那些和他有共同兴趣爱好的用户喜欢的物品
  2. ItemCF:推荐那些和他之前喜欢的物品类似的物品
    根据用户推荐重点是反应和用户兴趣相似的小群体的热点,根据物品推荐着重与用户过去的历史兴趣,即:
  • UserCF是某个群体内的物品热门程度
  • ItemCF是反应本人的兴趣爱好,更加个性化

二、新闻类网站采用UserCF的原因:

  1. 用户大都喜欢热门新闻,特别细粒度的个性化可忽略不计
  2. 个性化新闻推荐更强调热点,热门程度和实效性是推荐的重点,个性化重要性则可降低
  3. ItemCF需要维护一张物品相关度的表,当物品量更新速度太快时,此表的维护在技术上有难度。新闻类网站对于新用户可直接推荐热门新闻即可
  4. 对于电商、音乐、图书等网站而言,ItemCF的优势更大:
  • 用户的兴趣比较固定和持久;
  • 不需要太过考虑流行度,只需要帮用户发现他研究领域相关物品即可
    5.技术角度考量
  • UserCF需要维护一个用户相似度矩阵
  • ItemCF需要维护一个物品相似度矩阵

三、优缺点对比

项目 UserCF ItemCF
性能 适用于用户较少的场合,如果用户过多,计算用户相似度矩阵的代价交大 适用于物品数明显小于用户数的场合,如果物品很多,计算物品相似度矩阵的代价交大
领域 实效性要求高,用户个性化兴趣要求不高 长尾物品丰富,用户个性化需求强烈
实时性 用户有新行为,不一定需要推荐结果立即变化 用户有新行为,一定会导致推荐结果的实时变化
冷启动 在新用户对少的物品产生行为后,不能立即对他进行个性化推荐,因为用户相似度是离线计算的 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其他用户 新用户只要对一个物品产生行为,就能推荐相关物品给他,但无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 很难提供 可以根据用户历史行为归纳推荐理由