首页 > TAG信息列表 > itemCF
推荐算法-用户推荐（UserCF）和物品推荐（ItemCF）对比
一、定义 UserCF：推荐那些和他有共同兴趣爱好的用户喜欢的物品 ItemCF：推荐那些和他之前喜欢的物品类似的物品 根据用户推荐重点是反应和用户兴趣相似的小群体的热点，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，更加基于ItemCF算法的电影推荐系统 的代码详解
""" import random import math import os import json import time #声明一个ItemCFRec类 class ItemCFRec: def __init__(self,datafile,ratio):#这是初始的封装类，其他函数都被封装在里面 # 1、原始数据路径文件 self.datafile = datafi零基础入门推荐系统：Task01 Baseline
此为DataWhale与天池联合举办的新人赛——新闻推荐，第一个小任务：实现一个Baseline 1 题目 数据来自某新闻APP平台的用户交互数据，包括30万用户，近300万次点击，共36万多篇不同的新闻文章，同时每篇新闻文章有对应的embedding向量表示。为了保证比赛的公平性，将会从中抽取20万用户的点击协同过滤的itemCF，userCF区别适用场景
UserCF原理：UserCF给用户推荐那些和他具有共同兴趣爱好的用户喜欢的物品 ItemCF原理：ItemCF给用户推荐那些和他之前喜欢的物品类似的物品 UserCF的推荐更社会化，反映了用户所在的小型兴趣群体中物品的热门程度；而ItemCF的推荐更加个性化，反映了用户自己的兴趣传承 UserCF适合于新基于用户协同与基于物品协同的区别
基于用户的协同过滤和基于物品的协同过滤在算法上非常类似，两者的主要优缺点从以下几个方面考虑： 从推荐场景考虑 ItemCF利用物品间的相似性做推荐，当用户数量远远超过物品数量时，就可以使用ItemCF，比如所一些购物网站，音乐网站，其物品数据相对稳定，且不必频繁更新；UserCF更适合做个性化推荐系统Note1：itemcf的理论部分与理论升级
本文为随堂学习笔记 课程见慕课-->个性化推荐算法实战入门必修课 Collaborative filtering 协同过滤 背景 1.信息过载 --> 找到用户所需 2.强依赖用户行为 Item cf 给用户推荐他之前喜欢的物品的相似物品 如何衡量相似 -- > 喜欢两个物品的用户重合度越高，那么两