知识卡片

普通读书笔记卡 · 9639.h · 生成模型:DeepSeek-V4.1-Flash

两种协同过滤的推荐差异

理解等级:高级

同一个用户,两种协同过滤给出的 Top20 几乎不重合。IBCF 推荐最多的是 t 类,正好对应该用户的真实偏好——他在 t 类花了 334 728 秒,第二高的 f 类只有 56 766 秒;UBCF 推荐最多的是 c 类,而他几乎不在 c 类花时间。这不是 UBCF 出错:它找的是“历史行为相似的人”,推荐相似人群偏爱而他尚未使用的 APP,属于探索;IBCF 依据“他喜欢的 APP 与哪些 APP 被同一批人喜欢”,更贴近既有口味,属于深耕。因此差异不在精度而在目标:要提升复购用 IBCF,要扩品类、破圈用 UBCF。评价指标上 UBCF 略好,但数据切分随机、每次结果有波动,单次指标不足以定论,见 [[稀疏矩阵上的协同过滤]]。

这张卡片看不懂?

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

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第10章 大数据案例分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter12_0001.xhtml,10.1.2 推荐系统) - 结论依据:原文对比两种方法对第一位用户的推荐类别,指出 IBCF 推 t 类符合其 334 728 秒的实际使用,UBCF 推 c 类可发掘其未使用但可能感兴趣的 APP,且 UBCF 评价略好。 - 原始内容:IBCF方法推荐最多的为 t 类别,这一点符合第一位用户对各类 APP 的实际使用情况,他唯独在t类别上共花费334 728秒的时间