协同过滤分为基于用户的协同过滤（User-based-Collaborative Filtering）和基于商品的协同过滤（Item-based-Collaborative Filtering）
大致流程如下：
- 收集用户的行为数据：通过记录用户的历史行为数据，例如购买历史、评分数据、浏览历史等，来了解用户的兴趣爱好和行为习惯。
- 建立用户-商品的共现矩阵： 基于用户或者物品的历史数据生成共现矩阵，行代表用户，列代表商品。
- 计算相似度：计算用户之间或者商品之间的相似度，来确定用户之间或者商品之间的关系。常见的相似度计算方法余弦相似度、皮尔逊相关系数
- 找到相似的用户或商品：基于相似度计算的结果，找到与目标用户或者商品相似的用户或商品，一般是得到topk的集合
- 如果是用户相似的话，根据topn个相似用户的加权平均对目标用户进行预测（或者预测评分）；如果是物品的话得到top k个相似物品的集合，根据相似度进行排名。
userCF的特点和缺点：
特点：
- 实现简单
- 可解释性强：就是通过用户的相似性在给其他用户来推荐商品。
- 可拓展性：有新用户进来时不需要重新训练，只要计算相似度就可以了。
- 易于发现热点，追踪热点趋势（新闻领域）
缺点：
- 计算和存储开销大：在互联网场景中，用户的数量往往远大于物品的数量，二UserCF需要维护用户相似度矩阵以便快速找出topn个相似用户。该用户相似度矩阵的存储开销非常大，随着业务发展，用户数的增长会导致相似度矩阵的存储空间以
增长。
- 数据稀疏性：对于只有几次购买行为的用户，找到相似用户的准确性非常低。
- 容易推荐热门物品，单一化。容易忽略不那么热门的商品，导致结果缺乏多样性。
ItemCF特点和缺点：
特点：
- 实现简单
- 适合兴趣变化趋于稳定的应用，用户在一段时间内寻找相似的商品可以用ItemCF
缺点：
- 物品冷启动问题：当一个新商品推出市场时，由于没有足够的历史评价数据，所以ItemCF无法为其推荐。
- 稀疏性：真实场景中，用户和物品的数量通常非常大，但是用户与物品之间的交互数据通常很少，因此ItemCF很容易面对数据稀疏的问题，导致推荐效果不佳
- 对肠胃物品推荐效果不佳：协同过滤都容易受到热门物品的影响，对于长尾物品推荐效果不如其他算法，导致长尾物品流量下降
总之，协同过滤是一个非常直观，可解释性强的模型，但并不具备很强的泛化性。因此，热门物品具有很强的头部效应，容易和大量物品产生相似性；而尾部的物品由于特征向量稀疏，很少与物品产生相似性，所以很少被推荐。
为了解决上述问题，提出了矩阵分解。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
