協(xié)同過濾
協(xié)同過濾
定義：
- 協(xié)同過濾（Collaborative Filtering）技術(shù)瞄桨，是推薦系統(tǒng)中應(yīng)用最為廣泛的技術(shù)之一，它基于一組興趣相同的用戶進行推薦凰荚。準確來說是一種方法論塌碌，它假設(shè)可以通過購買或使用歷史找出近似的用戶或商品。來源：(https://www.zhihu.com/question/21507689%EF%BC%89)
- 協(xié)同過濾瞬铸，Collaborative Filtering（簡稱：CF）。 基于集體用戶智慧础锐，在一定相關(guān)基礎(chǔ)上嗓节，有比較好的豐富度，可以幫助用戶發(fā)現(xiàn)潛在興趣皆警。來源：知乎喵姐（https://zhuanlan.zhihu.com/p/24045987）
- 協(xié)同過濾（Collaborative Filtering拦宣，CF）是推薦系統(tǒng)廣泛使用的一種技術(shù)，它主要通過考慮用戶（User）與用戶之間信姓、物品（Item）與物品之間的相似度（Similarity）鸵隧，來向用戶推薦物品。意推、協(xié)同過濾算法得到的是對一件item的評分豆瘫。協(xié)同過濾將評分最高的item推薦給user。協(xié)同過濾得到的推薦是有排序的菊值，評分越高外驱，推薦的程度就越高。 - 定義來源：（知乎用戶）</mark>
- 協(xié)同過濾簡單來說是利用某興趣相投腻窒、擁有共同經(jīng)驗之群體的喜好來推薦用戶感興趣的信息昵宇，個人通過合作的機制給予信息相當(dāng)程度的回應(yīng)（如評分）并記錄下來以達到過濾的目的進而幫助別人篩選信息，回應(yīng)不一定局限于特別感興趣的儿子，特別不感興趣信息的紀錄也相當(dāng)重要瓦哎。
舉例：
國外案例： -GroupLens 這個系統(tǒng)主要是應(yīng)用在新聞的篩選上，幫助新聞的閱聽者過濾其感興趣的新聞內(nèi)容，閱聽者看過內(nèi)容后給一個評比的分數(shù)蒋譬，系統(tǒng)會將分數(shù)記錄起來以備未來參考之用割岛，假設(shè)前提是閱聽者以前感興趣的東西在未來也會有興趣閱聽，若閱聽者不愿揭露自己的身分也可以匿名進行評分羡铲。 和Tapestry不同之處有兩點蜂桶，首先，Tapestry專指一個點（如一個網(wǎng)站內(nèi)也切、一個系統(tǒng)內(nèi)）的過濾機制；GroupLens則是跨點跨系統(tǒng)的新聞過濾機制腰湾。再來雷恃，Tapestry不會將同一筆資料的評比總和起來；GroupLens會將同一筆資料從不同使用者得到的評比加總费坊。
讓我們知道的理由 GroupLens具有以下特點：開放性所有的新聞閱聽者皆可使用倒槐，雖然系統(tǒng)委托Better Bit Bureau設(shè)計給分的系統(tǒng)，但若有不同的評分機制也適用于GroupLens附井。方便性：給分并不是一件困難的事情且溝通上非常方便讨越，評分結(jié)果容易詮釋。規(guī)模性：有可能發(fā)展成大規(guī)模的系統(tǒng)永毅，一旦發(fā)展成大規(guī)模把跨，儲存空間與計算成本問題顯得相當(dāng)棘手。隱密性：如果使用者不想讓別人知道他是誰沼死，別人就不會知道着逐。由此可以看出，現(xiàn)今網(wǎng)絡(luò)各個推薦系統(tǒng)的雛形已然形成意蛀，在GroupLens之后還有性質(zhì)相近的MovieLens耸别，電影推薦系統(tǒng)；Ringo县钥，音樂推薦系統(tǒng)秀姐；Video Recommender，影音推薦系統(tǒng)若贮；以及Jster省有，笑話推薦系統(tǒng)等等。乃至于今日的YouTube兜看、aNobii皆是相似性值得網(wǎng)絡(luò)推薦平臺锥咸，較不同的是經(jīng)過時間推移，網(wǎng)絡(luò)越來越發(fā)達细移，使用者越來越多搏予，系統(tǒng)也發(fā)展得越來越嚴密。與Tapestry相比弧轧，GroupLens的過濾機制更加的全面雪侥。 不同的評分機制也適用于該系統(tǒng)碗殷，不只是局限于一個評分機制。**
為何符合定義：1速缨、這個系統(tǒng)會對一些內(nèi)容進行篩選锌妻，根據(jù)讀者的愛好以及感興趣的方面進行推薦。 2旬牲、有著一套評分系統(tǒng)仿粹，并且可以將不同使用者的評比加總，更加方便讀者的交流以及能讓讀者得到更加全面的信息原茅。
- ：網(wǎng)易云音樂是一款專注于發(fā)現(xiàn)與分享的音樂產(chǎn)品吭历，依托專業(yè)音樂人、DJ擂橘、好友推薦及社交功能晌区，在線音樂服務(wù)主打歌單、社交通贞、大牌推薦和音樂指紋朗若，以歌單、DJ節(jié)目昌罩、社交哭懈、地理位置為核心要素，主打發(fā)現(xiàn)和分享峡迷。網(wǎng)易云音樂讓用戶通過綁定手機通訊錄银伟、#微博、人人網(wǎng)等發(fā)現(xiàn)已有用戶绘搞，關(guān)注對方后彤避，可以看到朋友的音樂行為。用戶可以查看身邊在使用網(wǎng)易云音樂聽歌的人和他在聽的歌曲夯辖，也可以添加關(guān)注琉预。它會根據(jù)用戶所聽或所搜的歌曲推出“猜你喜歡”的歌單；用戶對音樂的喜歡與否或是音質(zhì)的問題也會對歌曲的評分有影響蒿褂。
-
==
為何符合定義
1.能夠過濾難以進行機器自動基于內(nèi)容分析的信息圆米。 2.推薦的新穎性。 3啄栓、人性化設(shè)計及個性化推行
- 為何值得我們知道娄帖？ 一、提供更人性化的服務(wù)會提高用戶的使用率昙楚，既滿足用戶需求又帶動產(chǎn)業(yè)發(fā)展近速。 二、更便捷和人性化的服務(wù)證明了我國科技技術(shù)正一步步地成熟，我們時刻關(guān)注社會發(fā)展削葱，才利于個人自身的發(fā)展奖亚。
- 國內(nèi)案例
今日頭條：引入個性化推薦的策略。他們所采用的析砸，是協(xié)同過濾（Collaborative Filtering） + 基于內(nèi)容推薦 +熱門推薦
- 為何值得我們知道
1.它是我國網(wǎng)絡(luò)門戶落幕的標志昔字，是我國網(wǎng)絡(luò)媒體進入一個新階段的標志。具有代表性首繁。
2.它是基于多種推薦方式相結(jié)合作郭，我們通過了解可以更好地知道不同推薦方式之間的區(qū)別。
- 為何符合定義：
1.通過分析文章的相似程度來推薦給用戶蛮瞄，這體現(xiàn)定義中的物品與物品之間的相似度所坯。
2.100篇新的文章出來之后，對部分用戶進行了曝光挂捅，然后就可以根據(jù)用戶相似度，來預(yù)計其他用戶對這篇文章的興趣度堂湖，進而挑選這100篇中預(yù)計興趣度最高的30篇曝光給這群用戶闲先。這體現(xiàn)了定義中用戶與用戶之間的相似度。
與傳統(tǒng)文本過濾相比无蜂，協(xié)同過濾有下列優(yōu)點:
能夠過濾難以進行機器自動基于內(nèi)容分析的信息伺糠。如藝術(shù)品、音樂;
能夠基于一些復(fù)雜的斥季，難以表達的概念（信息質(zhì)量训桶、品位)進行過濾;
推薦的新穎性。
正因為如此酣倾，協(xié)同過濾在商業(yè)應(yīng)用上也取得了不錯的成績舵揭。Amazon，CDNow躁锡，MovieFinder午绳，都采用了協(xié)同過濾的技術(shù)來提高服務(wù)質(zhì)量。
缺點是:
用戶對商品的評價非常稀疏映之，這樣基于用戶的評價所得到的用戶間的相似性可能不準確（即稀疏性問題）;
隨著用戶和商品的增多拦焚，系統(tǒng)的性能會越來越低;
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）杠输。
因此赎败，現(xiàn)在的電子商務(wù) 推薦系統(tǒng)都采用了幾種技術(shù)相結(jié)合的推薦技術(shù)。
參考的文獻：
- http://baike.sogou.com/v55257271.htm?fromTitle=協(xié)同過濾
- 此篇文章是根據(jù)多篇文章整理的蠢甲，并沒有盜竊行為僵刮，如果存在不合理的地方，希望先通知一下我！謝謝妓笙！
-說明：自己並沒有做出"禁止通過發(fā)布文章并在文章中添加超鏈接的形式進行SEO優(yōu)化推廣的行為若河；"
這一條的行為
