1樓：常秋桃
基於內容的推薦只考慮了物件的本身性質，將物件按標籤形成集合，如果你消費集合中的乙個則向你推薦集合中的其他物件；
基於協同過濾的推薦演算法畢族，充分利用集體智慧，即在大量的人群的行鬥仔為和資料中收集答案，以幫助我們對整個人群得到統計意義上的結論，推薦的個性化程度高，基於以下兩個出發點：(1)興趣相近的使用者可能會對同樣的東西感興趣；(2)使用者可能較偏愛與其已購買的東西相類似的商品。也就是說考慮進了使用者的歷史習慣，物件客觀上不一定相似，手銷弊但由於人的行為可以認為其主觀上是相似的，就可以產生推薦了。
2樓：bd小葵
舉個簡單的小例子，我們已知道。
使用者u1喜歡的電影是a，b，c
使用者u2喜歡的電影是a, c, e, f
使用者u3喜歡的電影是b，d
基於內容的做法：要分析f的特徵和u1所喜歡的a、b、c的特徵，需要知道的資訊是a（戰爭片），b（戰爭片），c（劇情片），如果f（戰爭片），那麼f很大程度上可以推薦給u1，這是基於內容的做法，你需要對item進行特徵建立和建模。
協同過濾的辦法：那麼你完全可以忽略item的建模，因為這種辦法的決策是依賴user和item之間的關係，也就是這裡的使用者和電影之間的關係。我們不再需要知道abcf哪些是戰爭片，哪些是劇情片，我們只需要知道使用者u1和u2按照item向量表示，他們的相似度比較高，那麼我們可以把u2所喜歡的f這部影片推薦給u1。
根據資料來源的不同推薦引擎可以分為三類。
1、基於人口的統計學推薦(demographic-based recommendation)
2、基於內容的推薦(content-based recommendation)
3、基於協同過濾的推薦(collaborative filtering-based recommendation)
基於汪皮內容的推薦：
基於內容推薦的乙個典型的例子激陵孝，電影推薦系統，首先我明稿們需要對電影的後設資料有乙個建模，這裡只簡單的描述了一下電影的型別；然後通過電影的後設資料發現電影間的相似度，因為型別都是「愛情，浪漫」電影 a 和 c 被認為是相似的電影（當然，只根據型別是不夠的，要得到更好的推薦，我們還可以考慮電影的導演，演員等等）；最後實現推薦，對於使用者 a，他喜歡看電影 a，那麼系統就可以給他推薦類似的電影 c。<>
3樓：容信四
1)基於使用者的協同過濾推薦(user-based collaborative filtering recommendation)
基於使用者的協同過濾推薦演算法先使用物茄盯統計技術尋找與目標使用者有相同喜好的鄰居，然後根據目標使用者的鄰居的喜好產生向目標使用者的推薦。基本原理就是利用使用者訪問行為的相似性來互相推薦使用者可能感興趣的資源，2)基於專案的協同過濾推薦(item-based collaborative filtering recommendation)
根據所有用納巨集戶對物品或者資訊的評價，發現物品和物品之間的相似度，然後根據使用者的歷史偏好資訊將類似的物品推薦給該使用者，3)基於模型的協同過濾推薦(model-based collaborative filtering recommendation)
基模型的協同過濾推薦就是基於樣本的使用者喜好資訊，訓練乙個推薦模型，然罩和後根據即時的使用者喜好的資訊進行**推薦。<>
基於協同過濾的推薦演算法
4樓：新科技
協同過濾推薦演算法是最經典的推薦演算法，它的演算法思想為物以類聚，人以群分，基本的協鍵困同過濾演算法基於以下的假設：
實現協同過濾的步驟：
找到相似的top-n個人或者物品那麼，如何計算相似度呢？
根據資料型別的不同，相似度的計算方式也不同，資料型別有：
一般的，相似度計算有傑卡德相似度、餘弦相似度、皮爾遜相關係數
使用者-物品的評分矩陣，根據碧亮備評分矩陣的稀疏程度會有不同的解決方案。
目的：**使用者1對於物品e的評分
步驟分析：實現過程
使用者之間的兩兩相似度：
物品之間的兩兩相似度：
請問：協同過濾演算法是基於什麼技術？
5樓：網友
協同過濾(collaborative filtering)的基本概念就是把這種推薦方式變成自動化的流程。
協同過濾主要是以屬性或興趣相近的使用者經驗與建議作為提供個性化推薦的基礎。透過協同過濾，有助於蒐集具有類似偏好或屬性的使用者，並將其意見提供給同一叢集中的使用者作為參考，以滿足人們通常在決策之前參考他人意見的心態。
本人認為，協同過濾技術應包括如下幾方面：(1)一種比對和蒐集每個使用者興趣偏好的過程；(2)它需要許多使用者的資訊去**個人的興趣偏好；(3)通過對使用者之間興趣偏好相關程度的統計去發展建議那些有相同興趣偏好的使用者。
協同過濾和基於內容推薦有什麼區別？
6樓：阿舞子
基於內容的推薦只考慮了物件的本身性質，將物件按標籤形成集合，如果你消費集合中的乙個則向你判枯推薦集合中的其他物件；
基於侍衝掘協同過濾的推薦演算法，充分利用集體智慧，即在大量的人群的行為和資料中收集答案，以幫助我們對整個人群得到統計意義上的結論，推薦的個性化程度高，基於以下兩個出發點：(1)興趣相近的使用者可能會對同樣的東西感興趣；(2)使用者可能較偏愛與其已購買的東西相類似的商品。也就是說考慮進了使用者的歷史習慣，物件客觀上不一定相似，但由於人的行為可以認為其主觀上是相似的，就可以產生推老核薦了。
7樓：戰歌
1)基於使用者的協同過濾推薦(user-based collaborative filtering recommendation)
基於使用者的協同過濾推薦演算法先使用統計技術尋找與目標使用者有相同喜好的鄰居，然後根據目標使用者的鄰居的喜好產生向目標使用者的推薦。基本原理就是利用使用者訪問搏備行為的相芹好似性來互相推薦使用者可能感興趣的資源，2)基於專案的協同過濾推薦(item-based collaborative filtering recommendation)
根據所有使用者對物品或者資訊的評價，發現物品嫌銀鉛和物品之間的相似度，然後根據使用者的歷史偏好資訊將類似的物品推薦給該使用者，3)基於模型的協同過濾推薦(model-based collaborative filtering recommendation)
基模型的協同過濾推薦就是基於樣本的使用者喜好資訊，訓練乙個推薦模型，然後根據即時的使用者喜好的資訊進行**推薦。