前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering(cf)。協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下網友的推薦，也可能會諮詢一下曾經去過北京的親朋好友，最後你很可能會採納你好朋友的推薦。因為你的好朋友和你相似的愛好和品味。
基於協同的推薦演算法又分為兩種
協同過濾的實現，一般通過以下幾個步驟
然後像上邊舉得兩個例子那樣，通過一些演算法，來找到和該使用者有相似偏好的使用者，或者找到和該使用者喜歡的物品相似的物品。
最後從得到的推薦列表裡挑選分數較高的n個結果推薦給使用者
基於使用者和基於物品的協同過濾有各自的優點和不足，我們使用的時候要根據具體的場景和情況來選擇合適的來使用。最後來比較一下兩者的不同。
如果覺得對你有幫助，可以推薦和分享給你的朋友
協同過濾推薦演算法 協同過濾推薦演算法總結
推薦演算法具有非常多的應用場景和商業價值，因此對推薦演算法值得好好研究。推薦演算法種類很多，但是目前應用最廣泛的應該是協同過濾類別的推薦演算法，本文就對協同過濾類別的推薦演算法做乙個概括總結，後續也會對一些典型的協同過濾推薦演算法做原理總結。推薦演算法概述 1 基於內容的推薦 這一類一般依賴於自然語...
協同過濾推薦演算法
協同過濾推薦演算法 分為基於使用者的協同過濾推薦usercf和基於物品的協同過濾推薦itemcf。介紹見 協同過濾的實現步驟 1 指導思想 這種過濾演算法的有效性基礎在於 1 使用者偏好具有相似性，即使用者可分類。這種分類的特徵越明顯，推薦準確率越高 2 物品之間具有相似性，即偏好某物品的人，都很可...
協同過濾推薦演算法
協同過濾是通過將使用者和其他使用者和的資料進行對比來實現推薦。我們不利用專家所給出的重要屬性來描述物品從而計算他們之間的相似度，而是利用使用者對他們的意見來計算相似度，這就是協同過濾中所使用的方法。它不關心物品的描述屬性，而是嚴格的按照許多使用者的觀點來計算相似度。相似度的度量一種是歐式距離，一種是...