基于用户的协同过滤

概述

通过寻找与目标用户品味相似的其他用户（邻居用户），将邻居用户喜欢但目标用户尚未接触的物品进行推荐，是协同过滤最早被提出和验证的技术路线。

关键内容

1. 核心流程：对于目标用户 A，在所有用户中寻找与 A 品味最相似的 K 个"邻居用户"；将邻居用户喜欢但 A 尚未接触的物品推荐给 A。

2. 相似度计算：常用皮尔逊相关系数和余弦相似度来计算用户之间的相似度。皮尔逊相关系数在 User-Based CF 中被广泛使用，衡量两个用户评分序列之间的线性相关性。

3. 可扩展性瓶颈：计算复杂度与用户数量的平方成正比。当系统需要在数千万用户中为每个人实时寻找相似用户时，计算量变得不可承受。正如论文指出："这些算法能在实时环境中搜索数万个潜在邻居，但现代系统的需求是搜索数千万个潜在邻居。"

4. 用户行为动态性：用户偏好经常变化，相似度矩阵难以有效缓存和复用，需要频繁重新计算。

5. 被 Item-Based CF 超越：Item-Based Collaborative Filtering Recommendation Algorithms 证明，Item-Based CF 在保持与 User-Based CF 相当甚至更优推荐质量的同时，实现了显著的性能提升，因为物品相似度关系远比用户相似度关系稳定。

6. 适用场景：在用户数量较少、物品数量较多的场景中仍有优势，但在大规模电商和内容平台中已被 Item-Based CF 及其后续方法取代。

来源

• Item-Based Collaborative Filtering Recommendation Algorithms — 第 3-4 节

相关

• 基于物品的协同过滤 — compares_to
• Item-Based Collaborative Filtering Recommendation Algorithms — compares_to
• GroupLens — part_of