協同過濾推薦
出自 MBA智库百科(https://wiki.mbalib.com/)
協同過濾推薦（Collaborative Filtering）
目錄 |
協同過濾推薦是指將一個用戶所購買或評級的商品匹配到相似的商品,然後將相似的商品進入推薦列表
協同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
簡單來說是利用某興趣相投、擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，個人透過合作的機制給予資訊相當程度的回應（如評分）並記錄下來以達到過濾的目的進而幫助別人篩選資訊，回應不一定局限於特別感興趣的，特別不感興趣資訊的紀錄也相當重要。協同過濾又可分為評比（rating）或者群體過濾（social filtering）。其後成為電子商務當中很重要的一環，即根據某顧客以往的購買行為以及從具有相似購買行為的顧客群的購買行為去推薦這個顧客其“可能喜歡的品項”，也就是藉由社群的喜好提供個人化的資訊、商品等的推薦服務。除了推薦之外，近年來也發展出數學運算讓系統自動計算喜好的強弱進而去蕪存菁使得過濾的內容更有依據，也許不是百分之百完全準確，但由於加入了強弱的評比讓這個概念的應用更為廣泛，除了電子商務之外尚有資訊檢索領域、網路個人影音櫃、個人書架等的應用等。
與傳統文本過濾相比，協同過濾有下列優點:
正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。其缺點是: （1）用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不准確（即稀疏性問題）。
（2）隨著用戶和商品的增多，系統的性能會越來越低。
（3）如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦（即最初評價問題）。
- item-based CF
基於item的協同過濾，通過用戶對不同item的評分來評測item之間的相似性，基於item之間的相似性做出推薦。
- user-based CF
基於user的協同過濾，通過不同用戶對item的評分來評測用戶之間的相似性，基於用戶之間的相似性做出推薦。
