协同过滤

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:

1. 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;
2. 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;
3. 推荐的新颖性。

缺点

1. 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）
2. 随着用户和商品的增多，系统的性能会越来越低;
3. 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。

---

1. 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。 ↩︎