推荐算法之协同过滤

算法原理

透过百科，我们了解到协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤算法结合用户行为分析用户兴趣，而后根据有着相同兴趣的用户群体的喜好，得到一个更大的兴趣范围，即推荐范围，从而达到预测用户喜好
的目的。

优点

与传统文本过滤相比，协同过滤有下列优点:
（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
（2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
（3）推荐的新颖性。
正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。

缺点

（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;
（2）随着用户和商品的增多，系统的性能会越来越低;
（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。

总结

协同过滤算法固然在推荐上有一定效果，但当数据的变化性过大时，其预测的准确度往往不尽人意，需要结合场景做进一步的优化。因此，电子商务推荐系统都采用了几种技术相结合的推荐技术。