概念

個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。
為什么要個性化推薦？

• 商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品
• 瀏覽大量無關的信息和產品，信息過載問題，用戶難以獲取所需要的信息

分類

基于內容的推薦

根據用戶的歷史數據，推薦用戶感興趣的產品。

產品表示：
為每個item 抽取出一些 特征來表示此item；結構化屬性如身高、學歷、籍貫等；非結構化屬性如item自己寫的交友宣言，博客內容等等，需要轉化成結構化屬性

興趣學習：
利用一個用戶過去喜歡（及不喜歡）的item的特征數據，來學習出此用戶的喜好特征（profile）；典型的有監督分類問題，理論上機器學習里的分類算法都可用

產生推薦：
通過比較上一步得到的用戶profile與候選item的特征，為此用戶推薦一組相關性最大的item。把模型預測的用戶最可能感興趣的n個item作為推薦返回給用戶即可

協同過濾推薦

根據與目標用戶興趣類似的用戶，預測目標用戶對特定產品的喜好程度。

• 以用戶作為樣本，每個用戶對產品的評價作為該用戶的特征，尋找最相似的用戶。
• 為用戶推薦，其最相似用戶已經購買、瀏覽，而該用戶未購買、瀏覽的產品
  拓展閱讀：協同過濾推薦中SVD分解的應用

優缺點對比

方法 新用戶 新商品 冷門商品 特殊商品 潛在興趣 特征提取、建模 依賴用戶

方法新用戶新商品冷門商品特殊商品潛在興趣特征提取、建模依賴用戶

基于內容	×	√	√	√	×	需要	×
協同過濾	×	×	×	×	√	不需要	√

- 基于內容的推薦，無法發現用戶的潛在興趣，且對于非結構化特征的數據（電影、音樂等藝術作品）難以準確描述 - 協同過濾推薦，可以發現潛在興趣，不用提取特征、建模，因此對藝術作品有效；冷啟動問題 ####UserCF 和 ItemCF 的比較  ####推薦系統思維導圖：[直通車](http://naotu.baidu.com/file/419f7a8322daf56a0d7ad16bc9855e77?token=5076bd7e8775d3e9) 

總結

以上是生活随笔為你收集整理的推荐系统-通过数据挖掘算法协同过滤讨论基于内容和用户的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。