知识卡片
基于用户与基于物料的协同过滤
协同过滤按“先找什么”分为两类。基于用户的协同过滤(User-CF):先找出与目标用户相似的一批用户,再从这些相似用户消费过的物料里挑出目标用户没见过的内容。基于物料的协同过滤(Item-CF):先从目标用户点过的物料出发,对每类物料和物料库里的物料求相似度,取 Top-k 推荐。
二者的关键权衡在“用户数 vs 物料数”。当用户数量远超物料数量时,Item-CF 更快、更稳定——因为单个物料收到的平均评分不会像用户对不同物料的平均评分那样剧烈波动,且当评分矩阵稀疏时 Item-CF 表现也更好。实际落地一般用 KNN 思路实现:先依据用户/物料数量决定走 User-CF 还是 Item-CF,再建立用户—用户或物料—物料的相似矩阵,最后做推荐。
打分时还要注意“相似度加权”:不能简单用对候选物料打分最高的 Top5/Top10 用户均值,而应给每个评分按“该用户与目标用户的相似度”加权,相似度越高的用户贡献越大,预测更准。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 个性化召回层样本选择和模型选择 7.1 协同过滤召回 · 查看原书依据
在真实的应用中,协同过滤一般是采用KNN的方式进行实现的,首先根据用户和物料的共现关系建立评分矩阵,然后根据用户和物料各自的数量选择是基于用户还是基于物料的协同过滤,从而建立用户和用户或者物料和物料的相似矩阵,最后根据相似矩阵进行推荐
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/63.html;src-042)
- 结论依据:原文对比 User-CF 与 Item-CF 的实现路径、适用条件(用户/物料数量关系)及加权打分公式,支撑本卡关于二者区别与选择的结论。
- 原始内容:在真实的应用中,协同过滤一般是采用KNN的方式进行实现的,首先根据用户和物料的共现关系建立评分矩阵,然后根据用户和物料各自的数量选择是基于用户还是基于物料的协同过滤,从而建立用户和用户或者物料和物料的相似矩阵,最后根据相似矩阵进行推荐