推薦算法之用戶推薦（UserCF）和物品推薦（ItemCF）對比

1、定義

1. UserCF：推薦那些和他有共同興趣愛好的用戶喜歡的物品

2. ItemCF：推薦那些和他以前喜歡的物品相似的物品

根據用戶推薦重點是反應和用戶興趣類似的小羣體的熱點，根據物品推薦着重與用戶過去的歷史興趣，即：

• UserCF是某個羣體內的物品熱門程度
• ItemCF是反應本人的興趣愛好，更加個性化

2、新聞類網站採用UserCF的緣由：

1. 用戶大都喜歡熱門新聞，特別細粒度的個性化可忽略不計
2. 個性化新聞推薦更強調熱點，熱門程度和實效性是推薦的重點，個性化重要性則可下降
3. ItemCF須要維護一張物品相關度的表，當物品量更新速度太快時，此表的維護在技術上有難度。新聞類網站對於新用戶可直接推薦熱門新聞便可
4. 對於電商、音樂、圖書等網站而言，ItemCF的優點更大：
   1. 用戶的興趣比較固定和持久；
   2. 不須要太過考慮流行度，只須要幫用戶發現他研究領域相關物品便可
5. 技術角度考量
   1. UserCF須要維護一個用戶類似度矩陣
   2. ItemCF須要維護一個物品類似度矩陣

3、優缺點對比

項目	UserCF	ItemCF
性能	適用於用戶較少的場合，若是用戶過多，計算用戶類似度矩陣的代價交大	適用於物品數明顯小於用戶數的場合，若是物品不少，計算物品類似度矩陣的代價交大
領域	實效性要求高，用戶個性化興趣要求不高	長尾物品豐富，用戶個性化需求強烈
實時性	用戶有新行爲，不必定須要推薦結果當即變化	用戶有新行爲，必定會致使推薦結果的實時變化
冷啓動	在新用戶對少的物品產生行爲後，不能當即對他進行個性化推薦，由於用戶類似度是離線計算的  新物品上線後一段時間，一旦有用戶對物品產生行爲，就能夠將新物品推薦給其餘用戶	新用戶只要對一個物品產生行爲，就能推薦相關物品給他，但沒法在不離線更新物品類似度表的狀況下將新物品推薦給用戶
推薦理由	很難提供	能夠根據用戶歷史行爲概括推薦理由