usercf：
效能：適用於使用者較少的場合，如果使用者很多，計算使用者相似度矩陣代價很大。
領域：時效性較強，使用者個性化興趣不太明顯的領域。
冷啟動：
在新使用者對很少的物品產生行為後，不能立即對它進行個性化推薦，因為使用者相似度表示每隔一段時間離線計算的。
新物品上線後一段時間，一旦有使用者對物品產生行為，就可以將新物品推薦給和對它產生行為的使用者興趣相似的其他使用者。
itemcf：
效能:適用於物品數明顯小於使用者數的場合，如果物品很多，計算物品的相似度矩陣代價很大。
領域：長尾物品豐富，使用者個性化需求強烈的領域。
冷啟動：
但沒有辦法在不離線更新物品相似度錶的情況下將新的物品推薦給使用者。
協同過濾演算法
3種形式的協同過濾 collaborative filtering 演算法 1 user based 相同 相似 使用者的喜好相同 2 item based 能夠引起使用者興趣的專案，必定與其之前評分高的專案相似 3 model based 先用歷史資料得到乙個模型，再用此模型進行 參考 這個位址是...
協同過濾演算法
1.表示使用者行為矩陣，即統計使用者購買某種商品型別的數量 public double getnumbycustomer customer customer return vectore 2.用余弦距離計算每個使用者與其它使用者的行為相似度 下面 是兩個使用者之間的相似度，進行遍歷就可以獲取全部相似...
協同過濾演算法
乙個人想看電影的時候常常會思考要看什麼電影呢。這個時候他可能會問周圍愛好的人求推薦。現在社會每天都會產生海量的資訊。面對這麼多資訊好多人都不知道什麼資訊是自己需要的。推薦系統正是起了這麼乙個作用。推薦系統的應用隨處可見。網路購物是乙個典型的例子，電子商務的運營商往往會根據使用者在 的行為推薦使用者可...