Item-Based Collaborative Filtering Recommendation Algorithms

概述

一篇2001年发表的经典推荐系统论文，提出基于物品的协同过滤算法，通过预计算物品相似度表将推荐系统性能提升数量级。

关键内容

1. 核心贡献：
2. 提出了Item-Based CF算法，通过计算物品间相似度而非用户间相似度来生成推荐
3. 解决了User-Based CF在大规模系统中的可扩展性瓶颈问题

4. 实现了离线预计算物品相似度表，在线实时生成推荐的架构

5. 方法创新：

6. 系统性研究了三种物品相似度计算方法：余弦相似度、调整后余弦相似度、皮尔逊相关系数
7. 提出了"调整后余弦相似度"(Adjusted Cosine Similarity)，有效消除用户评分尺度差异

8. 实验证明调整后余弦相似度表现最优

9. 架构优势：

10. 物品间相似度关系比用户间相似度关系更稳定，可离线预计算
11. 实现了"离线模型构建+在线查表预测"的架构范式

12. 时间复杂度从O(M)降低到O(K)，M为用户总数，K为邻居数量

13. 实验验证：

14. 使用MovieLens 100K数据集进行评估，包含943个用户、1,682部电影、100,000条评分
15. 采用[平均绝对误差 MAE|平均绝对误差]作为主要评估指标

16. 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

17. 历史地位：

18. 推荐系统领域引用量最高的论文之一（Google Scholar超10,000次引用）
19. 与Amazon的Item-to-Item CF算法共同奠定了Item-Based CF作为工业级推荐系统核心技术的地位
20. 确立了"离线预计算+在线查表"的架构范式，影响至今

来源

• 从"找相似用户"到"找相似物品"：Item-Based CF 如何重塑推荐系统 — raw/books/推荐系统/03-item-based-collaborative-filtering.md
• 论文原文

相关

• 协同过滤 — extends
• User-Based 协同过滤 — improves_upon
• Adjusted Cosine Similarity — introduces_method
• Badrul Sarwar — authored
• Joseph Konstan — authored
• MovieLens — evaluated_on
• 平均绝对误差 MAE — uses_metric