machine-learning - 基于内容与基于协作的过滤？

Question

基于内容的过滤(CBF):它基于产品/商品属性进行工作。假设 user_1 过去曾订购(或喜欢)某些商品。现在，我们需要识别这些订购商品的相关特征，并将其与其他商品进行比较，以推荐任何新商品。基于特征集查找相似项的著名模型之一是随机森林或决策树

协作过滤 (CLF):它使用用户行为。假设 user_1 过去曾订购(或喜欢)某些商品。现在我们找到了类似的用户。用户过去订购/喜欢相同商品的人可以被视为相似用户。现在我们可以根据分数推荐类似用户订购的一些商品。寻找相似用户的著名模型之一是 KNN

问题:假设我必须找到类似的用户，不是基于他们在 CBF 中的行为(就像我提到的)，而是基于一些用户个人资料功能，例如国籍/高度/体重/语言/工资等会被视为CBF还是CLF？

我的第二个相关疑问是 CBF 或 CLF 都不适用于系统中的新用户，因为他没有在系统中进行任何事件。那是对的吗 ？相同的当系统是新的或启动时是这种情况，因为我们这里没有太多数据？

Answer 1

您可以将基于内容的方法视为回归问题，其中您将 x_i 作为数据点，将其相应的 y_i 作为用户给出的评分。您已经正确地表述了 CLF，它使用用户-项目矩阵，从中创建项目-项目或用户-用户矩阵，然后根据这些矩阵推荐产品/项目。

但在基于内容的情况下，您需要构建与每个用户相对应的向量。例如假设我们要为 Netflix 用户创建一个向量。该向量可以包含诸如该用户观看了多少部电影、他/她喜欢什么类型的电影、他是否是关键用户等特征。您提到的一些特征，例如他的平均工资等，并且该向量将具有y_i 将进行评级。这些类型的推荐系统被称为基于内容的推荐系统，这回答了您的第一个问题。

回到你的第二个问题，其中当出现新用户/项目时，如何向该用户推荐项目。此问题称为冷启动问题。在这种情况下，您可以使用该用户的地理位置来选择其所在国家/地区的人们最常观看的项目，并据此进行推荐。一旦他开始对这些顶级项目进行评级，那么您的 CLF 和基于内容的内容就可以正常工作。