推荐算法之用户推荐（UserCF）和物品推荐（ItemCF）对比

1、定义

1. UserCF：推荐那些和他有共同兴趣爱好的用户喜欢的物品

2. ItemCF：推荐那些和他以前喜欢的物品相似的物品

根据用户推荐重点是反应和用户兴趣类似的小群体的热点，根据物品推荐着重与用户过去的历史兴趣，即：

• UserCF是某个群体内的物品热门程度
• ItemCF是反应本人的兴趣爱好，更加个性化

2、新闻类网站采用UserCF的缘由：

1. 用户大都喜欢热门新闻，特别细粒度的个性化可忽略不计
2. 个性化新闻推荐更强调热点，热门程度和实效性是推荐的重点，个性化重要性则可下降
3. ItemCF须要维护一张物品相关度的表，当物品量更新速度太快时，此表的维护在技术上有难度。新闻类网站对于新用户可直接推荐热门新闻便可
4. 对于电商、音乐、图书等网站而言，ItemCF的优点更大：
   1. 用户的兴趣比较固定和持久；
   2. 不须要太过考虑流行度，只须要帮用户发现他研究领域相关物品便可
5. 技术角度考量
   1. UserCF须要维护一个用户类似度矩阵
   2. ItemCF须要维护一个物品类似度矩阵

3、优缺点对比

项目	UserCF	ItemCF
性能	适用于用户较少的场合，若是用户过多，计算用户类似度矩阵的代价交大	适用于物品数明显小于用户数的场合，若是物品不少，计算物品类似度矩阵的代价交大
领域	实效性要求高，用户个性化兴趣要求不高	长尾物品丰富，用户个性化需求强烈
实时性	用户有新行为，不必定须要推荐结果当即变化	用户有新行为，必定会致使推荐结果的实时变化
冷启动	在新用户对少的物品产生行为后，不能当即对他进行个性化推荐，由于用户类似度是离线计算的  新物品上线后一段时间，一旦有用户对物品产生行为，就能够将新物品推荐给其余用户	新用户只要对一个物品产生行为，就能推荐相关物品给他，但没法在不离线更新物品类似度表的状况下将新物品推荐给用户
推荐理由	很难提供	能够根据用户历史行为概括推荐理由