前言：
由于UserCF的局限性和瓶颈，亚马逊、奈飞等公司基本不使用UserCF算法，而是采用了另外一种ItemCF，也叫基于物品的协同过滤。
ItemCF：
该算法和UserCF大体一致，也是先得到用户-物品矩阵，以用户为行，物品为列，可得到m*n的矩阵向量。
物品i和物品j的相似度计算和上一篇文章描述的一致，最终可得到物品之间的相似度。
因为物品数量较少，所以计算效率也得到了提升，最终可以得到一个n*n的矩阵，代表了每个物品与其他物品之间两两的相似度。
应用：
①计算物品两两的之间的相似度，构建n*n维矩阵
②通过日志分析得到用户对物品集的喜爱【也叫用户正反馈物品集】
③得到每个用户正反馈物品的相似TopN物品【按照物品相似度排序】
③如果某个物品p在不单存在于一个正反馈物品的相似列表，那么该物品的最终相似度如下：
R(u,p)是该物品p最终的评分
H是该用户正反馈物品的集合
W(p,h)是物品p和物品h的相似度
R(u,h)是用户u对物品h的已有评分
R u , p = ∑ h ∈ H ( W p , h ⋅ R u , h ) R_u,_p = \sum{_h\in_H(W_p,_h · R_u,_h)}Ru,p=∑h∈H(Wp,h⋅Ru,h)
结束：
ItemCF节省了计算资源的同时，根据用户正反馈行为进行推荐用户喜欢的物品，目前基本都是基于ItemCF实现的协同过滤
本人也是小白，该开始学习推荐，大家有什么想法可以在评论区交流???
版权声明：本文为weixin_41998764原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。