随笔：基于内容推荐与协同过滤推荐

基于内容推荐：

核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后根据用户以往的喜好记录，推荐给用户相似的物品。

基本原理：

优点：知道用户的喜好，能够更加精确的推荐。
缺点:

• 物品相似度的分析仅仅依赖于物品本身的特征，没考虑人对物品的态度。（例如：我在淘宝上因为好奇打开了一件物品来查看，或者看完后并不喜欢，但淘宝仍有可能推荐给我相似的物品）
• 因为需要基于用户以往的喜好历史做出推荐，要决解对于新用户的喜好不清楚这个问题。

协同过滤推荐

传统的基于内容过滤是直接分析内容进行推荐，而协同过滤是通过分析用户兴趣，在用户群中找到指定用户的相似（兴趣）的用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

可以说，协同过滤也是利用集体智慧的一个方法。

原理：

要实现协同过滤，需要一下几个步骤

• 收集用户偏好
• 找到相似的用户或物品
• 计算推荐

存在的问题：

使用基于物品的协同过滤，需要维护一个物品相似度矩阵。如果物品之间的相似度经常变化，那么物品相似度的矩阵则需要经常更新。如果物品经常增加，那么物品相似度的矩阵也会增长的非常快。

算法拓展：
基于用户的协同过滤推荐算法原理和实现

如今许多软件为了更好地了解用户，提高用户使用感受，都使用了协同过滤的方法。（例如豆瓣）
但基于内容推荐与协同过滤推荐，也各有优缺点，因此也不乏两者都结合使用的软件。（例如今日头条）

---

拓展：

除上面两种外，还有：

基于人口统计学推荐：一般是将用户按其个人属性（如：性别，年龄，教育背景，居住地，语言等）作为分类的指针，以此作为推荐的基础。

以及：
基于项目的协同过滤推荐

基于模型的协同过滤推荐

这几种，在此不作具体描述，感兴趣的可自行去浏览：https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-

资料参考来源：
https://www.jianshu.com/p/e56665c54df8
https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-
http://www.cnblogs.com/wentingtu/archive/2011/12/16/2289926.html