协同过滤（Item cf）

背景

• 信息过载，用户需求不明确
• 强依赖于用户行为

工业界主流落地场景

• 信息流
• 电商
• o2oLBS

个性化召回算法协同过滤理论与理论升级

Item cf

• 给用户推荐他之前喜欢的物品相似的物品
• 如何衡量相似？

基于用户行为，如果喜欢2个物品的用户重合度越高，那么2个物品也就越相似。

• 如何衡量喜欢？

看用户是否真实点击，在电商场景下，更看重实际转化（实际消费购买）；信息流场景下，更看重真实的点击（基于一定时长下的停留）

Item cf公式

 

 

根据用户行为计算出用户相似度矩阵：

• 分子：u(i)表示对item (i)有过行为的用户集合 ,u(j)表示对item (j)有过行为的用户集合 ，分子表示user的重合程度