[论文笔记]amazon: item-to-item collaborative filtering

作者为amazon的Greg Linden, Brent Smith, and Jeremy York。

内容概要：

1. 传统的user-based协同过滤算法，复杂度为O(MN)，其中M为用户数量，N为商品数量。由于大部分的用户购买都很稀疏，只有极少数用户可能购买了大量商品，因此复杂度可以简化至O(M+N)。然而这个算法受用户数和商品数影响较大，在大多数大型系统中较难应用。

2. 基于聚类的推荐。首先使用聚类算法将用户分群，然后为用户推荐本群内其他用户购买的商品。聚类可以离线计算，因而具有较好的可扩展性，但是推荐质量受聚类的精确度影响较大。如果聚类不太准确，则推荐质量下降较大。

3. 基于搜索的推荐。这个主要就是content-based的方法。通过标题、商品描述等属性计算相似度，然而content-based有可能会造成相似的过度拟合（比如标题一模一样的两本书），而且受场景限制较大，因而并不是很实用。

4. item-to-item的协同过滤算法。这个算法预先计算宝贝的相似度（跟计算用户相似度类似，只是向量由原来的用户之间的共同购买/评分宝贝变成宝贝之间的共同购买/评分用户）。由于该算法需要遍历任意两个宝贝对，以及这两个宝贝对的所有购买用户，因而复杂度为O(N^2*M)。同样由于大部分用户购买都较少，复杂度可以简化至O(MN)。该算法可以离线计算，并且更新较少，因此较为实用。