出自 MBA智库百科()
(重定向自)
协同过滤推荐（Collaborative Filtering）
　　协同过滤推荐是指将一个用户所购买或评级的匹配到相似的,然后将相似的商品进入推荐列表
　　协同过滤推荐（Collaborative Filtering recommendation）是在和中正迅速成为一项很受欢迎的。与传统的基于直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一的评价，形成对该指定用户对此信息的喜好程度。
　　简单来说是利用某兴趣相投、拥有共同经验之的喜好来推荐使用者感兴趣的资讯，个人透过合作的给予资讯相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选资讯，回应不一定局限于特别感兴趣的，特别不感兴趣资讯的纪录也相当重要。协同过滤又可分为评比（rating）或者群体过滤（social filtering）。其后成为电子商务当中很重要的一环，即根据某以往的以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”，也就是借由社群的喜好提供个人化的资讯、商品等的推荐服务。除了推荐之外，近年来也发展出数学运算让自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据，也许不是百分之百完全，但由于加入了强弱的评比让这个概念的应用更为广泛，除了之外尚有资讯检索领域、网络个人影音柜、个人书架等的应用等。
　　与传统文本过滤相比，协同过滤有下列优点:
能够过滤难以进行机器自动基于的信息。如艺术品、音乐;
能够基于一些复杂的，难以表达的概念（、品位)进行过滤;
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。，CDNow，MovieFinder，都采用了协同过滤的技术来提高。现在的电子商务都采用了几种技术相结合的推荐技术。其缺点是:
　　（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加以评价，则这个商品就不可能被推荐（即最初评价问题）。
item-based CF
　　基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。
user-based CF
　　基于user的协同过滤，通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。
本条目对我有帮助0
&&如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请。
本条目相关文档
& 9页& 3页& 2页& 4页& 6页& 8页& 8页& 7页& 8页
本条目由以下用户参与贡献
(window.slotbydup=window.slotbydup || []).push({
id: '224685',
container: s,
size: '728,90',
display: 'inlay-fix'
评论(共0条)提示:评论内容为网友针对条目"协同过滤推荐"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。
以上内容根据网友推荐自动排序生成当前位置： &
2,383 次阅读 -
类目(种类)推荐杂很多情境下行不通，因为有太多的产品属性，而每个属性(比如价钱，颜色，风格，面料，等等)在不同的时候对于消费者的重要程度都是不一样的。取而代之的是协同过滤推荐系统。但是协同过滤推荐系统也不是那么完美无缺，他或多或少的会有那么一些问题~
1、数据稀疏问题
协同过滤的精度主要取决于用户数据的多少。如果一个系统有很多用户的历史数据，他就能更好的对用户的喜欢做出预测。所以，目前推荐系统做的最好的都是那些有着很大量用户数据的公司，比如Google, Yahoo, Netflix, Amazon等等。一个好的推荐系统首先需要类目(种类)数据(从目录或者其它形式得到)，然后系统必须捕获并且分析这些用户数据(用户行为)，然后，再应用神奇的算法工作。分析越多的类目(种类)和用户数据，系统越有可能生产好的推荐。但是，这又是一个蛋和鸡的问题：要形成好的推荐，首先需要有大量的用户，这样才能得到大量的推荐数据。
2、新用户问题(新产品问题)
这个问题和数据稀疏问题有一些相似性，他是指如何对新用户做出推荐。当一个新用户进入一个站点时，我们对他的兴趣爱好还一无所知，这时如何做出推荐是一个很重要的问题。一般在这个时候，我们只是向用户推荐那写普遍反映比较好的物品，也就是说，推荐完全是基于物品的。对于新的产品，同样存在如上的问题。
3、长尾问题(长尾用户/长尾商品)
新用户问题还有一个变种就是长尾(long tail)问题，在Amazon中，不是所有的用户都对很多书给出了评分，很多用户只给少数的书给出了评分，这些用户就处在一个长尾中，如何处理那些不太表露自己兴趣的用户，也是推荐系统的一个主要问题。除此之外，图书的长尾也是一个不可忽视的问题。
4、不断变化的用户喜好
用户的兴趣不是永远不变的，随着年龄和阅历的变化，用户的行为会发生变化。协同过滤其实还应该加入一个时间因子。今天自己浏览amazon时是会有特定意图的，明天或许会有另一个特定意图。举个典型的例子：有可能某天我会上amazon为自己买本书，但第二天我到amazon的原因可能是要为姐姐找一份生日礼物。对于用户喜好，推荐系统也可能错误的标注。
5、隐性喜好难处理
在现在的推荐系统中，用户的喜欢是通过用户对某些物品进行评分获得的。这种获得用户兴趣的方法是一种很直接的方法。但在实际的互联网中，用户有很多隐性的方法表露他们的喜欢。比如用户的文字评论，我们可以通过自然语言处理从用户的评论中获得用户的兴趣；或者是用户的浏览行为，比如用户长时间的浏览一个物品，或者用户经常浏览一个物品，或者用户
购买了一个物品，这些行为都可以作为模式识别系统中的特征。
6、偏激的用户和另类的产品
世界上有一些用户是很偏激的。他们和大多数人的观点是相反的。对于这种用户，现有的推荐系统做出的预测往往是很差的。如何处理偏激的用户，是推荐系统中的一个重要问题。和偏激用户相对应的，是颠覆性的产品。比如一些古怪(特别)的电影会有一些问题，有一些电影观众对它又爱又恨，这种类型的电影是很难去做推荐的，因为用户对它们会有各种反映而且无法预计。
7、马太效应的影响
在互联网中，物品实在是太多了，而推荐系统只能推荐有限的物品。被推荐系统所推荐的物品将会越来越热门，这就导致了大量很好的物品可能会被推荐系统所淹没。解决这个问题的主要方法是增加推荐系统的多样性，比如一个推荐系统发现一个用户非常喜欢吃德芙巧克力，那么他给这个用户推荐10个产品，不需要都是德芙巧克力，也可以推荐别的一些巧克力，或者一些和巧克力相似的甜品。在推荐时，不仅要推荐用户喜欢的东西，而且要通过推荐让用户喜欢一些东西，有的时候，用户自己也不知道他喜欢什么，通过推荐系统，他可能会发现一些新东西他比较喜欢。
8、推荐系统的作弊行为
只要涉及到经济利益，就有人作弊。搜索引擎作弊是一个被研究了很久的问题，因为在搜索引擎中，自己的网站排名越高，就能获得越多的经济利益。在推荐系统中也是如此，比如在淘宝中，如果一个卖家的物品经常被推荐，他就可能获得很多经济利益。很多电子商务的推荐系统都遭受到了作弊的干扰，一些人通过一些技术手段，对自己卖的物品给出非常高的评分，这就是一种作弊行为。作弊行为相当于人为的向系统中注入了噪声。目前解决作弊的算法主要是基于信任度和信用的。现在很多电子商务网站都引入了信用系统，比如淘宝等等。如何设计信用系统和推荐系统更好的融合，是一个重要的研究问题。
注：转载文章均来自于公开网络，仅供学习使用，不会用于任何商业用途，如果侵犯到原作者的权益，请您与我们联系删除或者授权事宜，联系邮箱：contact@dataunion.org。转载数盟网站文章请注明原文章作者，否则产生的任何版权纠纷与数盟无关。
相关文章！
不用想啦，马上 发表自已的想法.
做最棒的数据科学社区
扫描二维码,加微信公众号
联系我们：协同过滤推荐
collaborative filtering recommendation
而在众多推荐技术当中,协同过滤推荐(collaborative filtering recommendation)是目前研究最多并且应用最成功的个性化推荐技术。以下是目前所应用的几种协同过滤推荐技术。
基于56个网页-
Collaborative recommendations
...-based recommendations）：体系会基于用户前次喜好的一个项目推荐类似的项目； 协同过滤推荐（Collaborative recommendations）：基于寻找雷同评为与偏好的人群进行推荐； 混淆推荐（Hybrid approaches）：融合基于内容以及协同过滤推荐办法。
基于8个网页-
collaborative filtering recommendation algorithm
collaborative filtering Recommendation
Collaborative filtering approach
commerce Recommender System
collaboration-based recommendation
Collaborative Filtering Recommendation
更多收起网络短语
collaborative filtering recommendation
&2,447,543篇论文数据，部分数据来源于
评分矩阵数据稀疏问题严重影响协同过滤推荐性能。
The collaborative filtering (CF) algorithms often suffer from data sparsity problem.
利用协同过滤来产生推荐，很耗计算。
Using collaborative filtering to generate recommendations is computationally expensive.
针对传统协同过滤推荐算法的稀疏性、扩展性问题，提出了结合似然关系模型和用户等级的协同过滤推荐算法。
To address these problems, a collaborative filtering recommendation algorithm combining probabilistic relational models and user grade (PRM-UG-CF) is presented.
$firstVoiceSent
- 来自原声例句
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！你正在使用的浏览器版本过低，将不能正常浏览和使用知乎。