java实现item-cf_基于用户（UserCF）和物品（ItemCF）协同过滤算法的比较&哈利波特问题...

UserCF推荐的是与用户兴趣相同的用户们喜欢的物品——哪怕用户根本不认识这些人。

ItemCF推荐的是与用户之前感兴趣的物品相似的物品。

UserCF更横向，更社会化。

ItemCF更纵向，更个性化。

UserCF要维护一个用户相似度矩阵，适合用户较少的场合。

ItemCF要维护一个物品相似度矩阵，适合物品较少的场合。

例如，TB、JD这样的商城，商品数再多，也比用户数少，适用ItemCF。

如网易、头条这样的新闻网站，用户数固然多，但相比几乎是无限增长的新闻，还是适用UserCF。

虽然用户、物品相似度矩阵都需要一定频率的离线计算，但从实时性来讲，用户对新物品产生了行为，在UserCF中，不一定能造成推荐结果的实时变化，因为要等用户相似度重新计算。但在ItemCF中，大概率会导致推荐结果的实时变化，因为新物品的相似度已经计算完毕。

当然，如果物品刚上线，还没有用户对其产生行为，也就没什么相似度了。必须是上线一段时间，且有一定用户对其产生了行为之后，方可产生推荐。

哈利波特问题

其实就是如何减少热门商品对推荐结果影响的问题。

所有的厨师都会买油盐酱醋，但不能总给用户推荐油盐酱醋吧。或者说，因为川菜厨师和粤菜厨师都买了油盐酱醋，就给粤菜厨师推荐火锅底料吧。

在UserCF中

通过

对用户u、v共同喜欢的物品i的用户数求了个倒数，i越热门，喜欢i的人越多，倒数就越小，作为分子就越小，相似度就越小。

而对于ItemCF

如果j比较热门，分母就越大，相似度就越小。但如果j过于热门，例如全部用户都买了j，则分子就等于N(i)，分子也越来越大，i与j的相似度也依然很大。

所以要进一步增加分母，以加大对热门商品的惩罚。

经测算α=0.5时，准确率和召回率最高，α越大，对热门商品的惩罚就越重，相似度就越小，覆盖率就越高，平均流行度就越低，新颖性就越高。

但是上面也解决不了不同领域最热门物品相似度高的问题。

例如，厨师基本上都会买盐，猪肉，这二者的相似度就是高，这就导致有人买盐，第一推荐就是猪肉，可事实上我们可能更应该推荐其他调味品，这样才恰当一些。

要解决此类问题，可以通过对不同领域物品相似度降重来解决，例如盐和猪肉的相似度乘以系数，将其降低。但这些就不是协同过滤要考虑的问题了。