协同过滤类算法
优点
协同过滤算法应用早,不需要设损失函数、梯度下降求最优解这些现在模型训练常规操作,原理和实现可谓十分简便,所要求的数据也非常简约(只需要用户的对商品的评分数据),曾经是许多大型互联网公司的主推荐模型,在某些推荐场景下使用效果和思想仍旧良好。
缺点
其表达能力不强:不能在模型中加入其它特征(如用户年龄、性别、商品属性等)进行训练,只能用了用户的评分数据特征,这极大了限制了模型的上限。由于互联网应用的场景下,用户的历史数据相对于总商品数而言总数极度的稀疏,导致协同类算法不适用应用于获取用户评分数据较为困难的场景。对于新用户、新商品,由于极度缺乏,很难保证推荐质量。
基于用户的协同过滤
目前为止绝大部分的描述的都是基于用户的协同过滤算法,将一个用户和其他所有用户进行对比,去找到相似的人。这种算法会有两个弊端: