基於物品和基於用戶的協作型過濾推薦演算法分別有何優劣？能否具體舉例一下國內互聯網在這方面的應用場景？

---

首先，這兩個協同過濾的推薦，數據源可以是一致的，都是用戶對商品的偏好。

基於物品：將用戶對物品的喜好，當作是物品的一個屬性來看待，也就是說，有多少用戶喜歡物品A，那麼可以看作A有多少個維度的屬性，具體偏好就是維度的屬性值。然後通過一些簡單的相似度演算法，來結算物品間的相似度。當大部分用戶購買的商品很少的時候（比如有60%以上的用戶只買一件、兩件的商品），但是用戶數量很多，商品數量相對少，那麼這個時候，基於物品的協作過濾效果比較好。因為，對物品來說，會被很多用戶購買，那麼它的所謂屬性維度比較豐富，算出來的相似度可能比較靠譜。劣勢是，不夠個性化，不管哪個用戶來看，只要是同一件物品，得到的推薦基本一致。這個方式的推薦，長尾覆蓋可能會好點。個人覺得，有點類似於「買了還買了」。

基於用戶：其實只是反過來看，將用戶購買的物品看作是這個用戶的不同維度的屬性，很顯然，大部分用戶買了多件物品的數據，採用這種方法效果比較好。因為一個用戶的夠買的物品多，表示他是維度豐富，那麼通過這種相似度找到的鄰居也比較多，而且靠譜。然後可以依據鄰居購買的而他每購買的商品，推薦給用戶。優勢是，更加個性化。但是前提就是，用戶與那些跟他喜歡相同物品的人具有相同的口味。主要推薦的商品都是屬於熱賣型的。

這些方式，在mahout中都有實現，但是在實際應用中，單獨的推薦遠遠不能滿足需求，需要非常複雜的組合，干預、決策和機器學習。

國內互聯網在這方面的應用：大部分電商網站基本都有，但是效果我就不知道了，沒怎麼關注過。似乎都說豆瓣不錯。亞馬遜中國，做的很好，也很早

---

「對於稀疏數據集（例如delicious書籤，小眾群體收藏），基於物品的過濾方法通常要優於基於用戶的過濾方法，而對於密集數據集而言，兩者的效果幾乎是一樣的」--摘自《集體智慧編程》

---

可以查看我寫的博客，提供推薦

「如果每個人曾經購買的商品幾乎涵蓋了商城裡所有的商品，這時的數據集叫「密集型」，對於密集型，基於用戶和基於物品的相似性的方法性能差不多。

但大部分的情況是，一個人只買了商城中的一小部分物品，這時的數據集叫「稀疏型」，對於稀疏型，由於其購買的歷史物品比較少，採用基於物品的相似性的方法會更快一些。如果是大型商城，一般是採用基於物品相似度的方法，因為其用戶量高達上百萬，每個用戶都和剩下的所有人比對一遍計算量很大；而商城中物品的種類卻相對穩定一些。

計算用戶之間的相似度可以讓我們了解到哪些用戶偏好相似，構成用戶組。基於物品之間的相似度可以將物品聚類，將相似度高的一組物品聚集成物品集。

不同的方法，可以獲取到不同的信息，有時你會想了解那些用戶相似，又時又會想了解哪些物品相似，兩種演算法都是有意義的。」

---

推薦閱讀：