数据词典：协同过滤（Collaborative Filtering）

赵老师

推荐技术从被提出到现在已有十余年，在多年的发展历程中诞生了很多新的推荐算法。协同过滤作为最早、最知名的推荐算法，不仅在学术界得到了深入研究，而且至今在业界仍有广泛的应用，已经被大量应用到电子商务的推荐系统中。协同过滤主要包括基于用户的协同过滤、基于物品的协同过滤和基于模型的协同过滤。

基于用户的协同过滤算法（简称User CF算法）是推荐系统中最古老的算法，可以说，User CF的诞生标志着推荐系统的诞生。该算法在1992年被提出，直到现在该算法都是推荐系统领域最著名的算法之一。User CF算法符合人们对于“趣味相投”的认知，即兴趣相似的用户往往有相同的物品喜好，当目标用户需要个性化推荐时，可以先找到和目标用户有相似兴趣的用户群体，然后将这个用户群体喜欢的、而目标用户没有听说过的物品推荐给目标用户，这种方法就称为“基于用户的协同过滤算法”。

基于物品的协同过滤算法（简称Item CF算法）是目前业界应用最多的算法。无论是亚马逊还是Netflix，其推荐系统的基础都是Item CF算法。Item CF算法是给目标用户推荐那些和他们之前喜欢的物品相似的物品。Item CF算法并不利用物品的内容属性计算物品之间的相似度，而主要通过分析用户的行为记录来计算物品之间的相似度，该算法基于的假设是：物品A和物品B具有很大的相似度是因为喜欢物品A的用户大多也喜欢物品B。例如，该算法会因为你购买过《数据挖掘导论》而给你推荐《机器学习实战》，因为，买过《数据挖掘导论》的用户多数也购买了《机器学习实战》。

基于模型的协同过滤算法（Model CF）是通过已经观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品。实际上，Model CF同时考虑了用户和物品两个方面，因此，它也可以看作是User CF和Item CF的混合形式。

【出处】林子雨.大数据导论.人民邮电出版社,2020年9月第1版.