论文阅读笔记：Amazon.com Recommendations: Item-to-item collaborative filtering

最新推荐文章于 2022-09-13 01:31:35 发布

程序员白总

最新推荐文章于 2022-09-13 01:31:35 发布

阅读量2.9k

点赞数 2

分类专栏：推荐系统文章标签：推荐系统协同过滤 item-to-item amazon.com

本文链接：https://blog.csdn.net/qq_24831889/article/details/86147968

版权

推荐系统专栏收录该内容

5 篇文章 2 订阅

订阅专栏

文章目录

Amazon.com Recommendations: Item-to-item collaborative filtering

Greg Linden, Brent Smith, and Jeremy York • Amazon.com
IEEE Internet Computing, 2003

电子商务推荐存在的挑战

数据规模大
需要高质量的实时推荐（系统需要实时响应用户行为）
新用户的冷启动问题

研究思路

目前有三种解决推荐的方法：传统协同过滤、聚类模型、search-based(contented based)。
我们提出的方法为item-to-item collaborative filtering。与传统的协同过滤不同，我们算法的在线计算花费与用户数量和物品数量无关，可以在海量数据上实时生成高质量推荐。

我们的工作：item-to-item CF

数据规模的比较
（1）amazon.com：over 29 million customers, several items（ours）
（2）MovieLens：35000 customers and 3000 items.[4]
（3）EachMovie: 4000 customers and 1600 items. [3]
传统的CF寻找相似的用户，item-based CF寻找相似的物品[9]，建立I-I矩阵。
相似物品表的离线计算耗时，时间复杂度最高为 $O(N^2M)$ ，实际中接近 $O (N M)$ 。对购买过热门物品的用户采样可以以推荐质量轻微降低为代价大量减少运行时间。
有了相似物品表之后，算法寻找用户购买或评分过的每个物品的相似物品，将这些物品中最流行或者最相关的物品进行推荐。这个计算过程只取决于用户购买或者评分过的物品数量，所以速度很快。
item-to-item CF算法可扩展性和性能的关键是离线计算花费大的物品相似度矩阵，在线部分只为用户购买或评分的物品寻找其相似的物品，这部分的计算与用户数量和物品数量无关，只与用户购买或者评价的物品数量有关。所以，即使在超大数据集上速度依然很快。因为推荐了相似度（相关性）很大的物品，推荐质量也很好[10]。与传统的CF不同，在有限的用户数据集上表现也很好，可以基于用户购买的两三个物品提供高质量推荐（用户冷启动）。

参考文献

[1] J.B. Schafer, J.A. Konstan, and J. Reidl, “E-Commerce Recommendation Applications,” Data Mining and Knowledge Discovery, Kluwer Academic, 2001, pp. 115-153.
[3] J. Breese, D. Heckerman, and C. Kadie, “Empirical Analysis of Predictive Algorithms for Collaborative Filtering,” Proc. 14th Conf. Uncertainty in Artificial Intelligence, Morgan Kaufmann, 1998, pp. 43-52.
[4] B.M. Sarwarm et al., “Analysis of Recommendation Algorithms for E-Commerce,” ACM Conf. Electronic Commerce, ACM Press, 2000, pp.158-167.
[5] K. Goldberg et al., “Eigentaste: A Constant Time Collaborative Filtering Algorithm,” Information Retrieval J., vol. 4, no. 2, July 2001, pp. 133-151.
[8] M. Balabanovic and Y. Shoham, “Content-Based Collaborative Recommendation,” Comm. ACM, Mar. 1997, pp. 66-72.
[9] G.D. Linden, J.A. Jacobi, and E.A. Benson, Collaborative Recommendations Using Item-to-Item Similarity Mappings, US Patent 6,266,649 (to Amazon.com), Patent and Trademark Office, Washington, D.C., 2001.
[10] B.M. Sarwar et al., “Item-Based Collaborative Filtering Recommendation Algorithms,” 10th Int’l World Wide Web Conference, ACM Press, 2001, pp. 285-295.