LFM和基于邻域的方法的比较

LFM是一种基于机器学习的方法，具有比较好的理论基础。这个方法和基于邻域的方法（比如UserCF、ItemCF）相比，各有优缺点。下面将从不同的方面对比LFM和基于邻域的方法。

LFM	LFM	基于邻域的方法
理论基础	具有比较好的理论基础，是一种学习方法。 通过优化一个设定的指标建立最优的模型	一种基于统计的方法，没有学习过程。
离线计算的空间复杂度	对于M个用户和N个物品： LFM: O(F * (M+N))	UserCF: O(M * M) ItemCF: O(N * N)
离线计算的时间复杂度	M 用户，N 物品，K 用户对物品的行为记录 一般情况下，LFM要稍高于UserCF和ItemCF，因为该算法需要多次迭代 如果F个隐类，迭代S次 : O(K * F * S) K/N > FS UserCF时间复杂度 < LFM K/M > FS ItemCF时间复杂度 < LFM	UserCF: O(N * (K/N)^2) ItemCF: O(M * (K/M)^2)
在线实时推荐	需要计算用户对所有物品的兴趣权重，排名，返回权重最大的N个物品不能进行在线实时推荐。	将相关表缓存在内存中，可以在线进行实时的预测。
推荐解释	无法提供推荐解释。	ItemCF算法支持很好的推荐解释，可以利用用户的历史行为解释推荐结果，