1樓：勳花向陽開
基於內容推薦中，當乙個使用者需要個性化推薦時，先找到和該使用者有相似興趣的其他使用者，然後把那些使用者喜歡的、而該使用者沒聽過的物品推薦給他。因此主要任務是（1）找到和目標使用者興趣相似的使用者集合；（2）找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。
2樓：sigmoidguo
協同過濾預設是基於行為推薦，沒有side information；
基於內容推薦是計算user profile和item profile的匹配程度。
基於行為和基於內容，對於目前的推薦系統來說，都非常重要。
3樓：chenxihou
基於內容推薦
根據物品屬性構建向量，判斷向量的相似性，推薦物品。
協同過濾：
基於item的協同過濾
基於user的協同過濾
使用者A、B、C給物品X打分分別為3,4,5，給物品Y打分3,4,5，給物品Z打分1,2,3，可以判定X和Y比較相似
4樓：張小磊
1、協同過濾演算法與基於內容推薦演算法所使用的資料維度不同。
【協同過濾】側重使用使用者對於商品的歷史互動記錄，即使用者-商品二維矩陣；而【基於內容推薦】側重於對使用者或者專案的屬性資訊建模，比如使用者的性別、年齡，商品的顏色、大小等屬性。對於同一使用者而言：【基於內容推薦】需要利用使用者的性別、年齡、愛好等組成特徵向量來表示；而【協同過濾】需要根據該使用者所在矩陣的某一行來進行表示，即利用使用者對於所有商品的互動記錄來表示。
換句話說，協同過濾演算法中的使用者/商品表示可以看做特殊的基於內容的表示，只不過是把使用者的具體內容屬性換為了使用者的歷史行為特徵。
2、協同過濾演算法與基於內容推薦演算法的核心思想不同。
【協同過濾】側重於從大資料（集體智慧型）中尋找某些隱含的模式，即通過使用者對於商品的歷史互動記錄來尋找相似的使用者；而【基於內容推薦】則側重於通過物件的屬性資訊來進行匹配建模進而尋找相似的使用者或者商品。
3、協同過濾演算法與基於內容推薦演算法的實現技術不同。
【協同過濾】將使用者-商品評分二維矩陣當做輸入送入模型進行訓練進而產生輸出，典型的模型為矩陣分解、user-based cf，item-based cf；而【基於內容推薦】側重將使用者或者商品的特徵資訊作為輸入特徵，進而送入分類器進行建模，典禮的模型為LR。
4、協同過濾演算法與基於內容推薦演算法好壞的決定因素不同。
【協同過濾】演算法隨著使用者對於商品的互動記錄增多會使得模型能夠更精確的捕捉使用者的行為習慣，進而使得模型能夠不費用額外的人工的方式來提高精度（但他在初期會面臨冷啟動問題的困擾）。【基於內容推薦】側重於特徵工程，演算法的好壞由使用者和商品的內容屬性所決定，因此需要較強的領域知識，但他的好處是不存在冷啟動的問題。
5樓：Richard
協同過濾：基於使用者行為資料，包含基於領域的協同過濾和基於模型的協同過濾。
其中基於領域的協同過濾包含基於物品和使用者的協同過濾，可以把行為資料轉化為向量，求向量相似度
其中基於模型的協同過濾包含：聚類、分類、回歸、矩陣因子分解、受限波爾茲曼機、貝葉斯網路等
基於內容的推薦：基於使用者和物品的特徵
6樓：風鈴-AI
這個問題算是推薦演算法中，尤其是剛剛接觸推薦演算法的同學常問的乙個問題了。
這兩種演算法應該可以說是推薦中的兩大金剛了。其實準確來講，這應該算是兩大類演算法。我理解，cf演算法是那些可以歸結為通過不斷迭代求解user與item關係的演算法，基本的user-cf、item-cf，randomwalk，甚至rbm，各種深度學習方法以至於SVD分解相關的方法，本源其實都是和cf類似的。
而基於內容的方法，就是另外乙個領域的事情了。我們可以認為那是一種更貼近分類的方法，通過item本身的屬性，找到item之間的相似關係，再把和使用者過往接觸過的item的相似item推薦給他。
舉兩個淺顯易懂的例子。
首先，協同過濾我們就說user-cf吧。user-cf會關注人與人之間的相似性。就像雙胞胎，他們的習性非常相似，姐姐喜歡看的電影幾乎妹妹都喜歡看。
那麼當我們發現姐姐看了乙個新電影的時候，我們傾向於把這個電影也推給妹妹，因為她很大概率會喜歡，這就是user-cf的原理。說白了，我們會從歷史資料中找到你的「N胞胎」（和你最相似的幾個人），把他們喜歡的東西整理好之後推送給你，那麼大概率你會喜歡。
基於內容的演算法。還拿看電影來說，電影的主要因素例如有這些，導演、演員、影片型別等等。那麼通過這些屬性我們同樣可以發現物品和物品之間的相似度有多大，就像乙個系列電影，可能導演不變、影片型別不變、演員也基本一致，那麼當乙個使用者看過系列1的時候我們很自然的就會把系列2推給他。
7樓：卓壽傑
基於內容的推薦和基於使用者的推薦有很明顯的區別吧，這就不說了。
來說說純基於內容的推薦和基於協調過濾的內容推薦吧。
兩者相同的是都是基於內容之間本身相似度來推薦的，不同的是：
而基於協調過濾的內容推薦計算相似度的特徵是：如各個使用者對該電影的評分等。這並不是內容本身只帶的特徵。
那麼問題來了——並不是所有使用者都對每個電影存在打分呀？這時候就需要如ALS等矩陣分解來幫忙了～
8樓：
結合58招聘推薦的場景，基於長期的業務實踐，寫了一篇《分布式離線加實時增量更新的協同過濾演算法》。其中文中的第二部分介紹了在工業界這兩類演算法的使用場景和區別，可供查考。
9樓：柴旭峰
基於內容推薦是針對內容本身的聚類，譬如兩篇內容都在講台灣選舉的事情，那麼他們兩個是類似的，看其中乙個，可以推薦這個內容相似的內容。
協同過濾分為基於內容的協同過濾和基於使用者的協同過濾。
而基於內容的協同過濾，是考慮使用者的行為向量，跟內容本身毫無關係，譬如我們100個人中，有90個人都看了A和B兩個內容，那麼我認為A和B具有很強的相關性（跟內容本身無關），譬如看了台灣選舉的內容的使用者，又看了「美國房價的內容」，那麼這兩者具有很強的相關性儘管他們內容本身毫無相似。（道理上跟關聯規則的啤酒和尿不濕是類似的，就是看AB共同出現了很多次，就認為他們相關，喜歡A的使用者很大程度上也喜歡B）
10樓：Sean
協同過濾和基於內容推薦並不是並列關係，協同過濾包括UserCF 和 ItemCF 演算法，基於內容推薦利用協同過濾的演算法。
根據使用者推薦重點是反應和使用者興趣相似的小群體的熱點，根據物品推薦著重與使用者過去的歷史興趣，即：
UserCF是某個群體內的物品熱門程度
ItemCF是反應本人的興趣愛好，更加個性化
11樓：
基於使用者的協同過濾推薦的基本原理是，根據所有使用者對物品或者資訊的偏好，發現與當前使用者口味和偏好相似的「鄰居」使用者群，在一般的應用中是採用計算「K- 鄰居」的演算法；然後，基於這 K 個鄰居的歷史偏好資訊，為當前使用者進行推薦。下圖給出了原理圖。
12樓：xu6g
差別在於：協同過濾必須要有使用者行為，基於內容的推薦可以不用考慮使用者行為。
冷啟動階段只能用基於內容的推薦，因為沒有使用者行為資料；
積累一段時間使用者行為資料後就可以用協同過濾了。
基於內容的推薦的要求：item資料比較容易結構化，且結構化的資料能相對完整的描述item。否則效果不會太好；
協同過濾的要求：使用者行為越豐富越好；
不管用哪種，都要避免出現馬太效應：推薦的item困在乙個封閉的小範圍內。產品上要多做設計。
推薦看一些推薦系統方面的書籍。
13樓：xiao ma
區別是維度的不同，也就是相似度計算的不同。ItemCF或者UserCF是的相似度計算機建立在歷史購買或者評分行為上，維度是M(user的個數)，N(item的個數)維；Content-Based是乙個將Item先降維，再compare，在通過KNN或者一些其他演算法推薦。
14樓：郭寬
協同過濾：主要關注「User」與「Item」之間的關聯，與具體Item本身的特徵沒有關係，基於的假設是相似的User會喜歡相似的Item，或者同乙個Item下相似的User給出的評分也相似.
基於內容的推薦：與具體的User不在有關係，只關注Item本身的特徵，根據Item獲得與之特徵相似的Item。
15樓：小毛
協同過濾有很多種memory-based model-based mixed,
實際中一般是混用多種演算法，所以有以item-based為基礎（有cold start，first rate等問題)，輔以tag-based,或是content-based等多種方法進行融合
推薦系統裡協同過濾召回之後再做排序有必要麼？
bdm su 首先要知道為什麼要把這個環節分成兩部分，是工程化速率的約束，如果有無限的算力和記憶體，我們就不再需要召回了，所有資料進來直接排序就好了。 豆花泡饃 我也有同樣的疑問。排序階段是有監督學習吧？目標變數是什麼呢？我有點搞清楚了，補充回答一下。如果單純協同過濾召回的話，其實協同過濾也會輸出得...
三百萬級使用者資料做基於使用者協同過濾演算法，相似度如何計算？
小巨集Simon 300W使用者量並不大，計算usercf時有幾個trick 1是有交集的使用者才可能進行相似度計算，這樣一來就可以避免掉大部分計算了，不可能N 2種組合都要計算啦 2是在統計item的銷量使用者時要適當截斷，如果item太火，它對於使用者相似的貢獻是比較小的，如果item的平均銷量...
知乎汽車領域，有哪些值得推薦的使用者和內容？
某大v為了蹭熱度，為賓士女皮包公司洗地的答案還掛在主頁上呢，看來這臉打得還真不疼。別反駁，反駁一句就給你扣水軍帽子。陰謀論玩的真厲害呢。 GarryTonon 啊，大佬邀我 甜士多啤梨 之前寫過乙個關於汽車領域大佬的回答，最近關注列表沒有來得及更新，我也要來這裡偷偷更新的關注列表了 Sea Quos...