介绍
a.k.a. Context-aware CF
协同过滤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,个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的纪录也相当重要。
协同过滤又可分为评比(rating)或者群体过滤(social filtering)。
In other words
协同过滤一般采用最近邻技术,利用用户的兴趣、行为等信息计算用户之间的远近程度,兴趣度相似度高则这两个用户近,然后找到目标用户的最近邻用户,从而预测目标用户兴趣程度进行推荐。1
应用
广泛应用于互联网的电子商务推荐系统。
与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤分析用户兴趣,在用户群中找到指定用户的相似(兴趣)用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度预测。
优点
与传统文本过滤相比,协同过滤有下列优点:
- 能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
- 能够基于一些复杂的,难以表达的概念(信息质量、品位)进行过滤;
- 推荐的新颖性。
缺点
- 用户对商品的评价非常稀疏,这样基于用户的评价所得到的用户间的相似性可能不准确(即稀疏性问题)
- 随着用户和商品的增多,系统的性能会越来越低;
- 如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐(即最初评价问题)。
耦合
耦合性(Coupling),也叫耦合度,是对模块间关联程度的度量。
罗辛,欧阳元新,熊璋,等.通过相似度支持度优化基于 K 近邻的协同过滤算法[J].计算机学报,2010(8):1437-1445.
目前协同过滤主要有基于用户的、基于项目的和基于流行度的三种推荐算法。 ↩︎