協作篩選

通過對一大群人的喜好進行搜尋，並從中找出和我們品味相近的一小群人。算法會對這些人所偏愛的其他內容進行考查，並將他們組合起來構造出一個經過排名的推薦列表。有許多不同的方法（各類計算機算法）可以幫組我們確定哪些人與自己的品味相近，並將他們的選擇組合成列表。

基本介紹

• 中文名：協作篩選技巧
• 理解：排名的推薦列表

協作篩選定義

通過對一大群人的喜好進行搜尋，並從中找出和我們品味相近的一小群人。算法會對這些人所偏愛的其他內容進行考查，並將他們組合起來構造出一個經過排名的推薦列表。有許多不同的方法可以幫組我們確定哪些人與自己的品味相近，並將他們的選擇組合成列表。

主要算法

歐幾里德距離；

皮爾遜相關度；

Spearman秩相係數關度；

Tanimoto相關度；

套用

協作篩選 (CF) 是 Amazon 等公司極為推崇的一項技巧，它使用評分、單擊和購買等用戶信息為其他站點用戶提供推薦產品。CF 通常用於推薦各種消費品，比如說書籍、音樂和電影。但是，它還在其他應用程式中得到了套用，主要用於幫助多個操作人員通過協作來縮小數據範圍。您可能已經在 Amazon 體驗了 CF 的套用，如圖所示：

CF 應用程式根據用戶和項目歷史向系統的當前用戶提供推薦。生成推薦的 4 種典型方法如下：

基於用戶：通過查找相似的用戶來推薦項目。由於用戶的動態特性，這通常難以定量。

基於項目：計算項目之間的相似度並做出推薦。項目通常不會過多更改，因此這通常可以離線完成。

Slope-One：非常快速簡單的基於項目的推薦方法，需要使用用戶的評分信息（而不僅僅是布爾型的首選項）。

基於模型：通過開發一個用戶及評分模型來提供推薦。所有 CF 方法最終都需要計算用戶及其評分項目之間的相似度。可以通過許多方法來計算相似度，並且大多數 CF 系統都允許您插入不同的指標，以便確定最佳結果。