概念
协同过滤(Collaborative Filtering)简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。
CF常见的有基于用户的协同过滤算法(UserCF)和基于物品的协同过滤算法(ItemCF)。
UserCF
核心思想:当一个用户A需要个性化推荐时,可以先找到他有相似兴趣的其他用户,然后把那些用户喜欢的、而用户A没浏览过的物品推荐给A。
- 找到和目标用户兴趣相似的用户集合。
- 找到这个集合中的用户喜欢的,且目标用户没有浏览过的物品推荐给目标用户。
主要做法就是给每个用户计算一个向量,然后通过FAISS进行相似用户召回,计算相似用户喜欢的items,可以加权统计进行排序。
ItemCF
核心思想:给用户推荐那些和他们之前喜欢的物品相似的物品。
缺点
- 新用户问题(New User Problem)
新用户由于不知道其兴趣爱好,所以找不到相应的协同用户,协同效果较差。
探讨
为什么新闻推荐使用UserCF算法,而购物网站使用ItemCF算法?
UserCF算法的推荐结果着重于反映那些与目标用户兴趣相似的小群体的热点,而ItemCF算法的推荐结果着重于维护目标用户的历史兴趣。换句话说,UserCF的推荐更加社会化,而ItemCF的推荐更加个性化。