02协同过滤

3.1 协同过滤算法介绍

3.2 相似性度量方法

3.3 基于用户的协同过滤

3.4 UserCF编程实现

3.5 UserCF优缺点

（1） 数据稀疏性。
一个大型的电子商务推荐系统一般有非常多的物品，用户可能买的其中不到1%的物品，不同用户之间买的物品重叠性较低，导致算法无法找到一个用户的邻居，即偏好相似的用户。这导致UserCF不适用于那些正反馈获取较困难的
应用场景(如酒店预订， 大件商品购买等低频应用)
（2）算法扩展性。
基于用户的协同过滤需要维护用户相似度矩阵以便快速的找出Topn相似用户， 该矩阵的存储开销非常大，存储空间随用户数量的增加而增加，不适合用户数据量大的情况使用。
由于UserCF技术上的两点缺陷， 导致很多电商平台并没有采用这种算法， 而是采用了ItemCF算法实现最初的推荐系统。

3.6 基于物品的协同过滤
3.7 算法评估
3.8 协同过滤算法的权重改进
3.9 协同过滤算法的问题分析
3.10 课后思考
3.11 参考资料