推荐系统（2）

基于用户的协同过滤算法（UserCF）
基于用户的协同过滤算法是通过用户的历史行为数据发现用户对物品的喜好，并对这些喜好进行度量和打分，根据不同用户对相同物品的偏好计算用户之间的相似度，在有相同喜好的用户间进行推荐。
步骤：

• 找到与目标用户兴趣相似的用户集合
• 找到这个集合中用户喜欢的并且目标用户没有购买过的物品推荐给目标用户

优点：

• 能够在用户间相互协助，根据用户对物品的打分的相似性对用户进行分类
• 所有用户都能从邻居用户的反馈评价中得意
• 容易挖掘目标用户潜在的新兴趣

缺点：

• 稀疏性：一个大型的电商平台有非常多的物品，用户购买的物品很少，不同用户之间买的物品重叠率较低，导致无法找到目标用户的邻居。
• 冷启动问题：在一个新物品首次出现的时候，没有用户对它进行打分，无法对其进行预测和推荐，而且在新物品出现早期，用户打分少，推荐准确率不高
• 特殊用户的喜好和任何一类群体都不同，无法找到目标用户的邻居用户进行协同推荐，用户是“善变”的，用户喜好可能会发生变化

基于物品的协同过滤算法(ItemCF)

基于物品的协同过滤给用户推荐那些和用户之前喜欢的物品相似的物品，ItemCF不利用物品的内容相似计算物品的相似度，它是通过分析用户行为记录计算物品的相似度，物品A和B相似是