個性化推薦本質(zhì)上是一個主動幫助目標(biāo)用戶找到目標(biāo)商品的過程寝优，商品在被推薦系統(tǒng)呈現(xiàn)到用戶面前之前，往往經(jīng)歷以下幾個步驟：
初步召回進(jìn)入候選池——按用戶喜愛程度／消費(fèi)意愿大小排序——在此基礎(chǔ)上按人工規(guī)則策略重排序——以某種展示形式推出過程稚失。
大家耳熟能詳?shù)膮f(xié)同過濾、矩陣分解、基于內(nèi)容的CB等推薦法指的都是在物品初步召回進(jìn)入候選池這個過程中使用的方法。
其中協(xié)同過濾是個性化推薦最基本的方法妓笙，也是本文要講解的方法。
其他方法的理解可等待該系列的后續(xù)文章
產(chǎn)品經(jīng)理的推薦總結(jié)（三）——詳細(xì)理解以用戶畫像為主的基于內(nèi)容的推薦算法
產(chǎn)品經(jīng)理的推薦總結(jié)（四）——規(guī)則與策略在推薦中的應(yīng)用與作用
早期的協(xié)同過濾包含以用戶為基礎(chǔ)的協(xié)同過濾能岩，即user-based的協(xié)同過濾（user-cf）和以物品／項目為基礎(chǔ)的協(xié)同過濾寞宫，即item-based的協(xié)同過濾（item-cf）。
無論是user-cf還是item-cf都統(tǒng)稱為以記憶為基礎(chǔ)（Memory based）的協(xié)同過濾拉鹃。
在后來的Netflix競賽中辈赋，涌現(xiàn)了基于矩陣分解的算法鲫忍，這種算法被廣泛應(yīng)用，其模型被稱之為LFM模型钥屈，即為隱因子或者隱語義模型悟民。
協(xié)同過濾一路發(fā)展過來，獲得了很多拓展和補(bǔ)充篷就。
一.如何理解以及區(qū)分同以記憶為基礎(chǔ)的user-cf和item-cf射亏？
這種算法的思想是這樣的：推薦系統(tǒng)有兩個服務(wù)對象，一個是用戶竭业，一個是物品鸦泳，用戶與物品之間是需要關(guān)聯(lián)的橋梁媒介的，這個橋梁也只有兩個選擇永品，一個是用戶做鹰，一個是物品。user-cf與item-cf的本質(zhì)區(qū)別就在于是選擇用戶作為用戶-物品關(guān)系的橋梁鼎姐，還是物品作為用戶-物品關(guān)系的橋梁钾麸。
以下用“目標(biāo)用戶”“目標(biāo)物品”“橋梁用戶”“橋梁物品”描述算法概念。
uesr-cf選擇用戶作為用戶-物品關(guān)系橋梁
選擇用戶作為橋梁炕桨，需要完成兩個步驟：
1.建立目標(biāo)用戶與橋梁用戶的關(guān)系饭尝。
2.建立橋梁用戶與目標(biāo)物品的關(guān)系。
以上兩步完成献宫，便能成功的關(guān)聯(lián)目標(biāo)用戶與目標(biāo)物品钥平。
目標(biāo)用戶與橋梁用戶的關(guān)系如何確立：我們認(rèn)為喜愛同樣物品的用戶具有共同之處，此處的“喜愛同樣的物品”便是目標(biāo)用戶與橋梁用戶的“相似”關(guān)系姊途。
橋梁用戶與目標(biāo)物品的關(guān)系如何確定：我們認(rèn)為橋梁用戶喜愛某目標(biāo)物品涉瘾，此處的“喜愛”即代表橋梁用戶與目標(biāo)商品的關(guān)系。
示意圖如下：
選擇物品作為橋梁捷兰，也需要完成兩個步驟：
1.建立目標(biāo)用戶與橋梁物品的關(guān)系立叛。
2.建立橋梁物品與目標(biāo)物品的關(guān)系。
以上兩步完成贡茅，便能成功關(guān)聯(lián)目標(biāo)用戶與目標(biāo)物品秘蛇。
這里目標(biāo)用戶與橋梁物品，橋梁物品與目標(biāo)物品的關(guān)系顶考，跟上面的有相似之處赁还。
目標(biāo)用戶與橋梁物品的關(guān)系如何確立：我們認(rèn)為目標(biāo)用戶喜愛橋梁物品，此處的“喜愛”即代表目標(biāo)用戶與橋梁商品的關(guān)系驹沿。
橋梁物品與目標(biāo)物品的關(guān)系如何確定：我們認(rèn)為被同樣用戶喜愛的物品也會有共同之處艘策，此處“被同樣用戶喜愛”便是橋梁物品與目標(biāo)物品的“相似”關(guān)系。
示意圖如下：
對比兩個圖可以很清晰的看出甚负，基于記憶的協(xié)同過濾的原理都存在非常驚人的相同之處柬焕，這種相同之處可以抽象出統(tǒng)一的邏輯审残，在這種邏輯的具化過程中，兩種協(xié)同過濾澤呈現(xiàn)出具有對稱美感的異同之處斑举。
相同之處一：
都需要建立目標(biāo)用戶與目標(biāo)商品之間的關(guān)系搅轿。
異同之處一：
user-cf? 中間關(guān)系橋梁為“user”。
item-cf? 中間關(guān)系橋梁為“item”?富玷。
相同之處二：
相同類型的目標(biāo)的關(guān)系靠共同喜愛的物品或被共同用戶喜愛璧坟，不同類型的目標(biāo)關(guān)系靠用戶對物品的單項喜愛。
異同之處二：
user-cf? 相同類型的資源關(guān)系體現(xiàn)在目標(biāo)用戶與橋梁用戶之間赎懦，靠“共同喜愛的商品”建立雀鹃。
item-cf? 相同類型的資源關(guān)系體現(xiàn)在橋梁物品與目標(biāo)物品之間，靠“被共同的用戶喜愛”建立励两。
不同類型的資源關(guān)系黎茎，都指的是用戶資源與物品資源的關(guān)系，靠“用戶單向喜歡物品”建立当悔。
相同之處三：
無論是user-cf還是item-cf傅瞻，使用到的都是用戶的行為數(shù)據(jù)，“喜愛”可以代表“點(diǎn)擊”“收藏”“購買”等行為盲憎，并不涉及用戶或者物品的內(nèi)容屬性數(shù)據(jù)嗅骄。
兩種基于記憶的協(xié)同過濾在使用場景上有各自的優(yōu)勢和劣勢，為什么會存在這種優(yōu)勢與劣勢饼疙，大家可以試試根據(jù)原理圖分析一下溺森。
二.如何理解基于矩陣分解的lfm模型
如果我們能得到一個用戶-物品的評分矩陣，包含所有用戶窑眯、所有物品屏积，以及用戶與物品一對一的單向打分。那就能輕松的完成將目標(biāo)商品推薦給目標(biāo)用戶的目的伸但。而在實際收集數(shù)據(jù)的過程中肾请，發(fā)現(xiàn)每個用戶的行為有限，因此只能得到一張稀疏的用戶對物品打分表更胖，如下圖所示。
LFM模型的思想是將每個用戶喜歡某個物品拆成兩個環(huán)節(jié)：第一個環(huán)節(jié)是某個用戶喜歡某種元素隔显，第二個環(huán)節(jié)是這個元素被某個物品擁有却妨。這里的“元素”不需要人為標(biāo)注與構(gòu)建，稱之為“潛在因子”括眠。
通過這個理論彪标，采用矩陣分解的方法將用戶-物品矩陣拆分“用戶-潛在因子”矩陣”和“潛在因子-物品”矩陣，求解得到潛在因子和用戶掷豺、物品的關(guān)系捞烟，將剩余的“空白打分欄”補(bǔ)充完整薄声，就是lfm模型要解決的問題。
以上就是推薦方法中最常用的協(xié)同過濾法题画。
