摘自百度百科: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)协同过滤以其出色的速度和健壮性,在全球互联网领域炙手可热。
简言之,自己喜欢的留下,不喜欢的过滤。
发展简史:
Tapestry(1992)->GroupLens(1994)->电子商务的推荐系统
缺点:新用户的推荐针对性不高,冷启动问题,新项目取决于历史的数据集;
数据具有稀疏性,例如商品的数据量很多很多,购买的商品知识其中的某一部分,而这一部分的占比非常的低;
算法的扩展性。
协同过滤算法主要有两种,一种是基于用户的协同过滤算法(UserCF),另一种是基于物品的协同过滤算法(ItemCF)。
基于用户的协同过滤算法主要有两步:
- 找到和目标用户兴趣相似的用户集合
- 找到这个集合中的用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。
基于物品的协同过滤算法主要有两步: - 计算物品之间的相似度。
- 根据物品的相似度和用户的历史行为给用户生成推荐列表。
电子商务一般会选择物品的协同过滤。