推荐系统之协同过滤

协同过滤在推荐算法领域是一个老生常谈的算法，在此仅对理论部分做一个总结。
协同过滤分为基于用户的协同过滤(UserCF)和基于用户的协同过滤(ItemCF)

UserCF通俗的解释就是把与用户相似的用户喜欢的东西推荐给该用户。故推荐系统中有一个用户相似度矩阵。
ItemCF通俗的说就是把与用户有过行为的物品相似的物品推荐给该用户。故推荐系统中有一个物品相似度矩阵。
但是在电子商务网站中，例如某宝，用户活跃量很大，经常更新用户相似矩阵代价很大，不适合使用基于物品的推荐。而在新闻类网站中，新闻作为物品的实体变化很快，同物品之间相似度变化更为频繁，不适合用基于物品的推荐，反而用户兴趣相对稳定，使用基于用户的推荐更为合适。

个性化推荐

1. UserCF
   不同用户的相似度，更多的表现在其对冷门物品采取的行为。这样才能更好的满足个性化推荐的需求。UserCF的推荐结果着重反映和用户兴趣相似的小群体的热点。
2. ItemCF
   根据长尾理论，越是冷门的用户行为更能反映用户的个性化需求。所以在计算物品相似度的过程中，应该适当惩罚热门物品对物品相似度的影响。这样能够降低推荐结果的流行度，增加推荐结果的覆盖率。ItemCF着重维系用户的历史兴趣。

两种算法的对比：

UserCF	ItemCF
性能
适用于用户较少的场合；如果用户较多，计算用户相似度矩阵代价较大	适用于物品数明显小于用户数的场合，如果物品很多，计算物品相似度矩阵代价很大
领域
时效性较强，用户个性化兴趣不太明显的领域	长尾物品丰富，用户个性化需求强烈的领域
实用性
用户有新行为，不一定造成推荐结果的立即变化	用户有新行为，一定会导致推荐结果的实时变化
冷启动
在新物品对很少的物品产生行为后，不能立即对他进行个性化推荐，因为用户相似度是每隔一段时间离线计算的；新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给和对它产生行为用户兴趣相似的其他用户	新用户只要对一个物品产生行为，就可以给他推荐和该物品相关的其他物品；但没有办法在不离线更新物品相似度的情况下将新物品推荐给用户
推荐理由
很难提供用户信服的推荐解释	利用用户的历史行为给用户做推荐解释，可以令用户比较信服