目录
一、itemCF
ItemCF即利用user与item之间的交互行为数据来计算item之间的关联相似度。
1.实现方法：
通过用户观影历史构建item之间的共现矩阵，然后计算LLR相似度，对相似度得分排序后取topK个，即得到每个item最相近的item作为推荐结果。共现矩阵如下所示：
Anot A
Bk11k12
not Bk21k22
k11：观看过A和B的用户数
k12：未观看过A，观看过B的用户数
k21：观看过A，未观看过B的用户数
k22：A和B都未观看过的用户数
LLR相似度：通过计算矩阵的行熵，列熵，矩阵熵来计算A和B的相似度
计算公式：
rowEntropy = entropy(k11, k12) + entropy(k21, k22)
columnEntropy = entropy(k11, k21) + entropy(k12, k22)
matrixEntropy = entropy(k11, k12, k21, k22)
则sim(A,B) = 2 * (matrixEntropy - rowEntropy - columnEntropy)
2.优点：
（1）算法原理简单直接，可解释性强；
（2）效果稳定；
（3）可以保证用户兴趣的相关性；
（4）行为丰富的用户召回也是多样的；
（5）可以捕捉用户的实时兴趣；
（6）能为用户推荐出多样性、新颖性的item
（7）只需要用户的行为信息，不依赖用户和item的side info
3.问题：
（1）计算相似度时考虑未观看的用户群体，k21，k12和k22；
（2）k22由总用户数-k11-k12-k21得来。由于数据的稀疏性，k22>>k11，算法存在一定的不合理性；
（3）往往I2I的索引是基于一种共现的统计，可能出现冷门商品排不上，新品排不了的问题；
（4）如何即考虑I2I的共现信息，又考虑Item两端的Side Info；
（5）如何将这种索引的建立和多样的业务目标关联；
（6）如何考虑多个Trigger指向相同的一个Item的联合概率。
（7）不适用解决冷启动问题，对于行为数据少或没有的item，无法进行推荐；
（8）由于item数量多，行为数据也是稀疏的，而稀疏的行为矩阵会导致计算出的item相似度不够准确；
4.优化方法：
（1）过热打压
（2）过滤异常uid、热门页视频、特殊类别视频（例如千里眼视频）
（3）长短期融合
（4）实时离线融合
（5）显式使用评分值：将用户留存作为u2i的评分，即相似度计算变成：
（6）相似度的显著性加权：，当物品i和j的共有评分用户较少时，数据的稀疏性会导致相似度计算失真（小数据量的统计意义减弱），此时应削弱其重要性，进行降权：
（7）活跃用户惩罚：活跃用户的评分物品数量较多，对物品的区分性较差，对物品相似度计算的贡献不如非活跃用户大，应对此进行惩罚。方式是对评分降权，权重为，其中N(u)表示用户u的评分物品数量、即用户活跃度：
（8）itemCF和userCF结合：将itemCF和userCF的预测分加权组合：
（9）通过聚类，加速相似物品的计算：在计算topK个相似item时只需在item所在聚类中做相似度排序取top即可。
二、userCF
userCF相当于itemCF的对偶算法，是利用user与item之间的交互行为数据来计算user之间的关联相似度。
1.实现方法：
首先构建用户的共现矩阵，计算LLR相似度，针对每个user找到最相似的topK个用户，然后将这K个用户最近n条观影历史合并排序，取top N个视频推荐给当前user。
扩展一下，还可以通过user embedding之间计算相似度的方式，来得到topK个相似用户，然后再找推荐视频。user embedding可以用过youtubeDNN、word2vec等模型训练得到。
2.优点：
（1）推荐结果着重于和用户兴趣相似的小群体的热点，推荐更加社会化，反映了用户所在兴趣群体中物品的热门程度；
（2）对物品冷启动不敏感， 对于新加入系统的物品，一旦有用户对该新物品产生行为，UserCF可以将该新物品推荐给和该用户相似的人群；
（3）适合新热推荐，可以促进新视频和热视频的快速传播；
3.缺点：
（1）无法给冷启动用户产生推荐；
（2）由于item的特征相对于用户的兴趣一般比较稳定，所以UserCF中用户相似度矩阵相比ItemCF中物品相似度矩阵需要更新更频繁；
（3）可解释性弱；
三、Swing
计算物品i和物品j之间的相似度时只考虑与二者都存在交互行为的用户群体U。对于U中的用户两两计算其共现权重并求和。
1.实现方法：
Swing指的是秋千，例如用户 u 和用户 v ，都购买过同一件商品 i ，则三者之间会构成一个类似秋千的关系图。若用户 u 和用户 v 之间除了购买过 i 外，还购买过商品 j，则认为两件商品是具有某种程度上的相似的。
也就是说，商品与商品之间的相似关系，是通过用户关系来传递的。为了衡量物品 i 和 j 的相似性，考察都购买了物品 i 和 j 的用户 u 和用户 v ， 如果这两个用户共同购买的物品越少，则物品 和 j 的相似性越高。
相似度计算公式：
2.优点：
user-item-user 的结构比 itemCF 的单边结构更稳定，线上的实际效果也明显优于通过LLR计算相似度的itemCF；
3.缺点：
计算量大，因此线上实际实现的过程中，只取了最近7天的观影历史，而相同时间内，itemCF取了最近120天的观影历史；
四、Seq Embedding CF
userCF计算的是user之间的相似度，实际上也可以认为是用户全部观影序列之间的相似度。从原理上看，itemCF和userCF是对偶关系，但实际应用中可以发现，由于user本身的复杂多变性，user与user之间的相似度较低，且不稳定，这也是userCF的效果通常不如itemCF的原因（因为item的特征是固定的、内容是单一的，而用户的兴趣是变化的、多样的）。
但是，但看用户短期内的局部观影序列，可以大致认为user的特征也是稳定的，这也就是seq embeddingCF想法产生的原因。
1.实现方法：
将用户的观影序列分割成一个一个小的sequence，然后通过计算sequence的相似度，找到针对当前用户最相似的seq（可以通过计算embedding的余弦值或者共现矩阵的方式来计算相似度），然后再融合召回。
2.优点：
用户短期的兴趣是比较稳定的，所以能召回更相似的视频，实际生产中，线上的效果也明显好于userCF。
3.缺点：
计算量大，由于一个user现在对应n条观影序列，所以数据量是userCF的n倍；
五、Graph Embedding CF
图模型是更广义上的协同过滤，利用节点之间的多跳关系聚合更新节点的embedding，从而实现更深层次的协同关系计算。
1.实现方法：
利用用户观影历史构建图结构，然后利用LightGCN模型，计算节点的图卷积，得到节点的embedding，通过embedding相似召回视频。
2.优点：
模型简单容易迭代，且利用了图信息，效果要优于传统的itemCF；
3.缺点：
效果不如传统的itemCF稳定；
4.详细实现策略见：推荐图模型总结_码一码码码的博客-CSDN博客
六、深度模型：PDN
联合建模u2i和i2i，通过两条路径，训练得到user embedding、item embedding和共现embedding。
1.实现方法：
整个模型由三个子网络构成：
trigger_net：合并user、interact、history向量输入5层神经网络；
similar_net：合并history、coCount、target向量输入五层神经网络；
user_bais_net：将user向量输入三层神经网络；
激活函数为relu，最后一层是sigmoid函数；
trigger_net和similar_net的输出合并，为path_u_j_i，即第j个物品对于target的评分，再加上偏置user_bais_net，即为最后的预测输出；
在实现实时召回的过程中，为满足时延要求，将路径检索解耦为两个部分：先通过triggerNet检索出用户最感兴趣的topM个商品，再在其中用similarNet构建item相似度索引，对topM个item实现i2i的检索；
2.优点：
融合了协同过滤和embedding算法，通过神经网络提取用户的兴趣向量，能更精准地召回推荐物品，实现测试中的线上效果也优于传统的协同算法；
七、混合CF——User-Item CF——矩阵分解MF
1、算法原理：
ALS算法：假设打分矩阵式近似低秩的，通过矩阵分解得到user embedding和item embedding；
2、算法步骤：
迭代的方式求解一系列最小二乘回归问题。每次迭代时，固定用户因子矩阵或者物品因子矩阵，然后用固定的这个矩阵及评级矩阵来更新另一个矩阵，然后再反过来。迭代直到模型收敛或到了预设好的次数。
一般使用RMSE（root-mean-square error）评估误差是否收敛：
3、缺点：
（1）是一个离线算法；
（2）无法准确评估新加入的用户或商品，有冷启动的问题；
网友评论