清澈如初|个性化推荐算法（推荐系统）概要(11) 读者读完本文后

与基础版本的用户相似度矩阵计算公式，分母没有发生任何变化。
分子：每一个重合的item的贡献度得分都变得不同,它们的贡献度得分由函数决定。函数具体的得分是2个用户对同一item操作时间的差，如果越短的话,的得分越高;如果越长的话,的得分越低。相应的在重合度贡献中也就越低。
Itemcf VS Usercf优缺点比较：
推荐实时性

User cf用户有了新的行为，不会对结果造成很快的变化，因为Usercf是基于相似度矩阵来完成推荐的， User本身的行为并不能造成自己的推荐结果发生改变。
Item cf用户一旦有了新的行为，推荐结果立刻发生改变，因为Itemcf是基于相似度矩阵来完成推荐的，所以点击了物品，会立马推荐出相似的物品

新用户/新物品的推荐

Usercf新用户的到来是不能立即推荐的，需要等用户有了一定的行为并且得到了与其他用户相似度矩阵之后才可以完成推荐，新用户一旦被用户点击， Usercf可以通过相似度用户矩阵将该物品推荐给相似的用户。
Item cf新用户一旦完成了Item点击，便可以推荐该Item相似的其余Item ，新物品的到来，由于此时新物品，并没有与其他物品在相似度矩阵中出现，所以Itemcf并不能将新物品及时地推荐出去

推荐理由的可解释性

User cf由于是通过用户相似度矩阵来完成推荐的，结果会略显难以解释。
Item cf通过用户历史点击行为完成的推荐，所以推荐结果更加令人信服。

Item cf VS User cf适用场景性能层面考量

User cf通过计算用户相似度矩阵，所以它并不适合用户很多的场合。因为相似度矩阵计算起来代价非常大。
Item cf需要计算物品的相似度矩阵，所以Itemcf适用于物品数远小于用户数场合。由于实战中用户量往往远大于物品的数量级，所以实战中更倾向于Item cf 。

个性化层面考量

User cf适用于物品及时推荐下发且个性化需求不太强烈的领域。
Itemcf适用于长尾物品丰富并且个性化需要强烈的领域。由于真实的推荐系统中，各种个性化召回算法组合，会有一些召回方法解决新物品及时下发问题，而我们需要个性化程度强烈，所以从个性化层面考虑，更倾向于在落地实战中采用Itemcf 。

ItemCF的优势：
（1）计算性能高，通常用户数量远大于物品数量。
（2）可预先计算保留，物品并不善变。
ItemCF存在的问题：物品冷启动问题：当平台中物品数据较少或缺失时，无法精确计算物品相似度，解决办法：
（1）文本分析，通过分析物品的介绍文本，计算相似度。（2）主题模型，通过主题模型分析物品文本主题得出主题相似度。（3）打标签，对物品打标签求得相似度。（4）推荐排行榜单。
三、排序算法概述推荐系统排序模块将召回模块产生的标的物列表(一般几百个标的物) ，通过排序算法做重排，更好的反应用户的点击偏好，通过排序优化用户的点击行为，将用户更可能点击的标的物(一般几十个)取出来推荐给用户，最终提升用户体验。
排序模块会用到很多特征，基于这些特征构建排序模型，排序特征在排序的效果中起到非常关键的作用，常用的特征可以抽象为如下5大类：

用户侧的特征，如用户的性别、年龄、地域、购买力、家庭结构等。
商品侧的特征，如商品描述信息、价格、标签等。
上下文及场景特征，如位置、页面、是否是周末节假日等。
交叉特征，如用户侧特征与商品侧特征的交叉等。
用户的行为特征，如用户点击、收藏、购买、观看等。

包括：个性化召回算法、个性化排序算法

排序框架需要充分利用上述五大类特征，以便更好的预测用户的点击行为。排序学习是机器学习中一个重要的研究领域，广泛应用于信息检索、搜索引擎、推荐系统、计算广告等的排序任务中，有兴趣的读者可以参考微软亚洲研究院刘铁岩博士的专著《Learning to Rank for Information Retrieval》。常用的排序算法框架有pointwise、pairwise、listwise三类，见下图。