Amazon Item-to-Item CF

概述

工业推荐系统的里程碑论文（IEEE Internet Computing 2003），提出从"用户相似度"转向"物品相似度"，通过离线预计算物品相似度表实现毫秒级在线推荐，支撑 Amazon 35% 的销售额。

关键内容

1. 核心洞察：不要计算用户与用户之间的相似度，改为计算物品与物品之间的相似度

2. 离线预计算：

3. 计算所有物品对的共购相似度
4. 只保存每个物品的 Top-K 相似物品

5. 定期更新（非实时）

6. 在线推荐：

7. 查表获取用户历史物品的相似物品
8. 聚合排序（出现多次的相似物品权重更高）

9. 复杂度 O(K)，毫秒级响应

10. 优势对比： | 维度 | User-CF | Item-CF | |------|---------|---------| | 计算时机 | 在线实时（慢） | 离线预计算（快） | | 稳定性 | 用户行为动态变化 | 物品相似度相对稳定 | | 可解释性 | 弱 | "买了X的人也买了Y"直观 | | 冷启动 | 新用户无解 | 新用户买一件就有推荐 |

11. 商业影响：

12. 推荐系统贡献 Amazon 约 35% 销售额
13. 成为工业推荐系统设计的基本原则

来源

• 02_Amazon_ItemCF_2003 — Amazon Item-to-Item CF：工业推荐系统的真正落地

相关

• Greg Linden — authored_by
• Amazon — published_by
• GroupLens — extends
• Item-Based 协同过滤 — implements