基于用户与基于物品的方法对比

基于近邻的协同过滤面临一个基本的路径选择：是寻找相似的用户，还是寻找相似的物品？这个选择引出了该领域的两种主要策略：基于用户的协同过滤 (UBCF) 和基于物品的协同过滤 (IBCF)。虽然两者都使用用户-物品交互矩阵，但它们在寻找“近邻”和生成推荐的方法上截然不同。理解它们的运行机制和权衡取舍，是设计有效系统的进步。

基于用户的协同过滤：寻找品味相投的伙伴

基于用户的方法或许是现实生活中推荐方式最直接的转化。其核心原则是：“喜欢过和你相同东西的用户，很可能也会喜欢你同样会喜欢的其他东西。”它的工作原理是识别出一群与目标用户品味特征相似的用户近邻，然后推荐这些近邻喜欢过但目标用户尚未见过的物品。

该过程可以分解为以下步骤：

1. 确定目标用户：选择想要为其生成推荐的用户。
2. 寻找相似用户：扫描用户-物品矩阵，找到一组与目标用户相似度高的用户（即近邻）。这种相似度是根据他们共同评分过的物品计算出来的。我们将在后面的部分详细说明具体的计算指标。
3. 确定候选物品：从这些相似用户近邻中，收集他们给出高分的所有物品。
4. 生成推荐：过滤掉目标用户已经交互过的物品。从剩余物品中，根据邻居评分的加权平均值，为目标用户预测一个评分。预测评分最高的物品构成最终的推荐列表。

基于用户的方法通过物品 1 和 2 的共同偏好历史，识别出用户 A 和 B 与“你”相似。由于用户 A 也喜欢物品 3，因此将物品 3 推荐给“你”。

虽然直观，但基于用户的协同过滤有明显的缺点。随着用户数量增加，计算所有用户对之间的相似度会变得计算成本很高。此外，用户的品味可能经常变化，这意味着用户相似度矩阵需要不断重新计算以保持准确。

基于物品的协同过滤：发现相关产品

基于物品的方法改变了视角。它不再问“谁和你相似？”，而是问“哪些物品和你喜欢的物品相似？”。这种方法在电子商务中被广泛使用，例如“购买此商品的用户还购买了……”等功能。它根据物品之间的关系生成推荐，而不是根据用户之间的关系。

基于物品的协同过滤流程如下：

1. 构建物品相似度矩阵：首先计算所有物品对之间的相似度。如果两个物品经常被同一批用户评分或交互，则认为它们是相似的。这一步通常在离线完成，并可以定期更新。
2. 确定用户喜欢的物品：针对目标用户，查找他们给出高分或有积极交互的物品。
3. 寻找相似物品：对于用户喜欢的每个物品，从预先计算好的相似度矩阵中找到最相似的物品。
4. 生成推荐：汇总这些相似物品，根据相似度分数和用户的原始评分计算每个物品的预测分，并将用户未曾见过的得分最高的物品推荐给他们。

基于物品的方法观察到“你”喜欢物品 1。它发现物品 3 与物品 1 相似，因为其他用户（A 和 B）往往对两者都喜欢。因此，物品 3 被推荐。

在实际应用中，基于物品的协同过滤通常更受欢迎，原因有几点。系统中的物品数量通常比用户数量更稳定且更少。这意味着物品相似度矩阵不需要频繁更新，且可以离线计算，使系统在提供实时推荐时更具扩展性且速度更快。

做出选择：基于用户 vs. 基于物品

选择基于用户还是基于物品的方法取决于数据集和应用的具体特征。以下是它们属性的直接对比：

属性	基于用户的协同过滤 (UBCF)	基于物品的协同过滤 (IBCF)
核心逻辑	“找到和我相似的用户”	“找到和我喜欢的物品相似的物品”
计算量	相似度矩阵随用户数增加 ($U \times U$)。对于用户众多的系统而言成本很高。	相似度矩阵随物品数增加 ($I \times I$)。如果物品少于用户，则更易处理。
稳定性	用户品味会变，因此相似性不稳定，需要频繁更新。	物品关系相对静态。矩阵较稳定，更新频率较低。
数据稀疏性	受影响较大，因为两个用户必须有足够数量的共同评分物品才能被视为相似。	适应性更强。即使单个用户的评分很少，也可以可靠地计算物品相似度。
扩展性	较低。随着用户基数增长，实时寻找用户近邻的速度会变慢。	较高。物品相似度可以预先计算，使实时推荐非常迅速。
惊喜度	通过借鉴相似用户的多样品味，可以产生更多新颖的推荐。	倾向于推荐与用户已知物品非常相似的东西，可能限制了探索空间。

在大多数现代应用中，特别是物品库比用户群更稳定的电子商务和媒体流媒体平台，基于物品的协同过滤是主流选择。它的扩展性和相似性模型的稳定性提供了显著的实际优势。正是出于这些原因，我们在本章的动手实践中将重点构建一个基于物品的过滤器。