步骤:
1、找到和目标用户兴趣相似的用户集合。
2、找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。
缺点:
1、UserCF 需要维护一个用户兴趣相似度的矩阵,随着用户数目增多,维护用户兴趣相似度矩阵的代价越大。计算用户兴趣相似度矩阵的运算时间复杂度和空间复杂度的增长和用户数的增长近似于平方关系。
2、当数据发生变化的时候,之前计算出的用户之间的相似度不稳定。
3、基于用户的协同过滤很难对推荐结果作出解释。
1、找到和目标用户兴趣相似的用户集合。
2、找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。
缺点:
1、UserCF 需要维护一个用户兴趣相似度的矩阵,随着用户数目增多,维护用户兴趣相似度矩阵的代价越大。计算用户兴趣相似度矩阵的运算时间复杂度和空间复杂度的增长和用户数的增长近似于平方关系。
2、当数据发生变化的时候,之前计算出的用户之间的相似度不稳定。
3、基于用户的协同过滤很难对推荐结果作出解释。