定義

協同過濾推薦算法（僅僅基于用戶行為數據設計的推薦算法）就是指用戶不斷地和網站互動，是自己的推薦列表能夠不斷地過濾掉自己不感興趣的物品。

用戶數據簡介

由于協同過濾推薦算法是僅僅基于用戶行為數據設計的推薦算法，這里首先介紹一下用戶行為數據。

用戶行為數據一般分為顯性反饋數據（比如評分）和隱性反饋數據（比如頁面瀏覽行為）；假若按照反饋的明確性分，可以分為正反饋（行為傾向于用戶喜歡該物品）和負反饋（行為傾向于用戶不喜歡該物品）。數據存儲一般形式為日志（成為原始日志），然后加工成為會話日志，類型包含：

l? 無上下文信息的隱性反饋數據集：每一條行為記錄僅僅包含用戶ID和物品ID。

l? 無上下文信息的顯性反饋數據集：每一條行為記錄包含用戶ID、物品ID、用戶對物品的評分。

l? 有上下文信息的隱性反饋數據集：每一條行為記錄包含用戶ID和物品ID、用戶對物品產生行為的時間。

l? 有上下文信息的顯性反饋數據集：每一條行為記錄包含用戶ID、物品ID、用戶對物品的評分、用戶對物品產生行為的時間。

用戶行為數據一般存儲在分布式數據倉庫（數據庫或者分布式文件系統）中。

用戶行為數據分析

下面兩種規律為一般性規律，對于具體應用還需結合自身數據實際情況。

1.???????
用戶活躍度和物品活躍度分布一般遵從長尾分布（簡單理解就是活躍度和數量成近似反比 – 以“用戶”為例：隨著活躍度的增長，用戶數量減少）。

2.???????
用戶活躍度和物品流行度成反比（簡單解釋：對于低活躍度的用戶，一般會直接瀏覽熱門商品，而對于高活躍度的用戶，由于對網站熟悉，反而會瀏覽自己喜歡但相對冷門的商品）。

算法

協同過濾（collaborative filtering）推薦算法包括在線協同和離線過濾。所謂在線協同：就是通過在線數據找到用戶喜歡的商品；離線過濾：就是過濾掉一些不值得推薦的數據，比如用戶已經購買過的商品或推薦值評分極低的商品。

一般來說協同過濾推薦分為三種類型。第一種是基于用戶的協同過濾（user-CF），第二種是基于商品的協同過濾（item-CF），第三種是基于模型的協同過濾（現在是最主流的協同過濾類型）。

總結

以上是生活随笔為你收集整理的协同过滤概述的全部內容，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。