说是终极对比，明确告诉你，就是在炒作！本文内容主要是我看了项亮的《推荐系统实践》一书，之前对于UserCF和ItemCF也是用的模模糊糊，这次好好整理了一下，加上自己一些总结和心得。
UserCF 推荐和当前用户相似度高的N个用户产生过行为的物品给当前用户；
这些物品是当前用户没有行为过而其他N个用户行为过的物品的前M个；
余弦相似度改进：在分子中除了考虑两个用户共同行为的物品，还考虑到这个物品被多少个用户行为过。
文章图片
加入时间因子：
- 相似度计算：用户u和用户v对物品i产生行为的时间越远，那么这两个用户的兴趣相似度就会越小。
文章图片
- 预测阶段：和当前用户相似的其他用户最近行为过得物品更容易得到推荐。
文章图片
- 群体/个体：更依赖于当前用户相近的用户群体的社会化行为
- 计算代价：适用于用户数较少的场合
- 适用场景：时效性强，用户个性化兴趣不太显著的场合
- 冷启动：新加入的物品能很快进入推荐列表
- 实时性：用户新的行为不一定导致推荐结果的变化
对于当前用户历史航行为过的每一个物品，推荐和每一个物品相似度高的前N个物品给当前用户；
余弦相似度改进：在分子中除了考虑这两个物品是否同时被用户行为过，还考虑该用户一共行为过的物品的数量。
文章图片
物品相似度的归一化：将相似度矩阵按照最大值归一化，可以提高推荐的准确率，还可以提高推荐的覆盖率和多样性。
【UserCF和ItemCF终极对比】加入时间因子：
- 相似度计算：在原先余弦相似度基础上，同一个用户对两个物品行为的时间距离越近，相似度越大。
文章图片
- 预测阶段：和当前时间距离近的用户作用过的物品相似的物品更容易得到推荐。
文章图片
优缺点：
- 群体/个体：更侧重用户自身的个体行为
- 计算代价：适用于物品数较少的场合
- 适用场景：长尾物品丰富，用户个性化需求强烈的场合
- 冷启动：新加入的用户能很快得到推荐
- 可解释性：强
- 实时性：用户新的行为一定导致推荐结果的变化
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现