基于物品和基于用户的协作型过滤推荐算法分别有何优劣能否具体举例一下国内互联网在这方面的应用场景
首先，这两个协同过滤的推荐，数据源可以是一致的，都是用户对商品的偏好。基于物品：将用户对物品的喜好，当作是物品的一个属性来看待，也就是说，有多少用户喜欢物品A，那么可以看作A有多少个维度的属性，具体偏好就是维度的属性值。然后通过一些简单的相似度算法，来结算物品间的相似度。当大部分用户购买的商品很少的时候（比如有60%以上的用户只买一件、两件的商品），但是用户数量很多，商品数量相对少，那么这个时候，基于物品的协作过滤效果比较好。因为，对物品来说，会被很多用户购买，那么它的所谓属性维度比较丰富，算出来的相似度可能比较靠谱。劣势是，不够个性化，不管哪个用户来看，只要是同一件物品，得到的推荐基本一致。这个方式的推荐，长尾覆盖可能会好点。个人觉得，有点类似于“买了还买了”。基于用户：其实只是反过来看，将用户购买的物品看作是这个用户的不同维度的属性，很显然，大部分用户买了多件物品的数据，采用这种方法效果比较好。因为一个用户的够买的物品多，表示他是维度丰富，那么通过这种相似度找到的邻居也比较多，而且靠谱。然后可以依据邻居购买的而他每购买的商品，推荐给用户。优势是，更加个性化。但是前提就是，用户与那些跟他喜欢相同物品的人具有相同的口味。主要推荐的商品都是属于热卖型的。这些方式，在mahout中都有实现，但是在实际应用中，单独的推荐远远不能满足需求，需要非常复杂的组合，干预、决策和机器学习。国内互联网在这方面的应用：大部分电商网站基本都有，但是效果我就不知道了，没怎么关注过。似乎都说豆瓣不错。亚马逊中国，做的很好，也很早
■网友
“对于稀疏数据集（例如delicious书签，小众群体收藏），基于物品的过滤方法通常要优于基于用户的过滤方法，而对于密集数据集而言，两者的效果几乎是一样的”--摘自《集体智慧编程》
■网友
【基于物品和基于用户的协作型过滤推荐算法分别有何优劣能否具体举例一下国内互联网在这方面的应用场景】 可以查看我写的博客，提供推荐
“如果每个人曾经购买的商品几乎涵盖了商城里所有的商品，这时的数据集叫“密集型”，对于密集型，基于用户和基于物品的相似性的方法性能差不多。
但大部分的情况是，一个人只买了商城中的一小部分物品，这时的数据集叫“稀疏型”，对于稀疏型，由于其购买的历史物品比较少，采用基于物品的相似性的方法会更快一些。如果是大型商城，一般是采用基于物品相似度的方法，因为其用户量高达上百万，每个用户都和剩下的所有人比对一遍计算量很大；而商城中物品的种类却相对稳定一些。
计算用户之间的相似度可以让我们了解到哪些用户偏好相似，构成用户组。基于物品之间的相似度可以将物品聚类，将相似度高的一组物品聚集成物品集。
不同的方法，可以获取到不同的信息，有时你会想了解那些用户相似，又时又会想了解哪些物品相似，两种算法都是有意义的。”
推荐阅读
- 广东警方曝光38款存在超范围收集用户信息违规行为App
- 为啥工商银行的用户体验如此之差
- 旅行|需要准备哪些物品？全面冬季出游清单，建议收藏带宝宝出门旅行
- 电池|享域混动 为了满足用户需求 优惠1.5万
- 5.1声道片源对于没有5.1硬件系统的用户来说有意义吗
- 环球车讯网|11月销量盘点：蔚来销售5291辆，BaaS购车用户占比提升
- |奥迪开发基于C-V2X校车警示系统
- 朋友圈权限被破解，怎样反破解
- 电商网站支付流程的流失率是怎么样的从用户点击充值/支付按钮，到支付完成，其中每一步的流失比率都是咋样的
- 趣头条|海外媒体称大众正在开发两款基于MEB平台的小型车 ID.1与ID.2