← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9904.c · 生成模型:Hunyuan

UserCF局限与ItemCF

理解等级:中级

基于用户相似度的UserCF符合“兴趣相似的朋友喜欢的我也喜欢”的直觉,但有两个技术硬伤:互联网场景下用户数远大于物品数,维护用户相似度矩阵的空间复杂度以n²增长,在线存储难以承受;且用户历史向量极稀疏,只有几次行为的用户很难找到准确相似用户,因而不适合酒店预订、大件购买等正反馈难获取的低频场景。ItemCF改用共现矩阵列向量的物品相似度,先算n×n物品相似度矩阵,再为目标用户的历史正反馈物品找Top k相似物品并按相似度累加排序。Amazon、Netflix最初都采用ItemCF;场景上UserCF社交性强、善于发现新闻热点,ItemCF更适合兴趣稳定的电商与视频推荐。

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

    • 第2章 前深度学习时代——推荐系统的进化之路 · 查看原书依据

      在互联网应用的场景下,用户数往往远大于物品数,而 UserCF 需要维护用户相似度矩阵以便快速找出To p n相似用户。该用户相似度矩阵的存储开销非常大,而且随着业务的发展,用户数的增长会导致用户相似度矩阵的空间复杂度以n2的速度快速增长,这是在线存储系统难以承受的扩展速度

    参考来源

    - 位置:《深度学习推荐系统》第2章 前深度学习时代——推荐系统的进化之路(源文件:extracted/深度学习推荐系统/_epub-src/text/part0006_split_002.html) - 结论依据:原文先列举UserCF在存储开销和稀疏用户上的两点缺陷,随后给出ItemCF的相似度矩阵与排序步骤,并比较两者在新闻与电商视频场景的适用性。 - 原始内容:在互联网应用的场景下,用户数往往远大于物品数,而 UserCF 需要维护用户相似度矩阵以便快速找出To p n相似用户。该用户相似度矩阵的存储开销非常大,而且随着业务的发展,用户数的增长会导致用户相似度矩阵的空间复杂度以n2的速度快速增长,这是在线存储系统难以承受的扩展速度