这方面挺有意思，就随便看了看。总结下看的东西~~~
协同过滤的主要目标：由于网络信息量的增多，用户往往被淹没在信息的海洋里，很难很轻易的找到自己感兴趣的topic。协同过滤就是为了把用户最可能感兴趣的信息推送给用户（Recommer system）。
协同过滤的方法： model-base，user-base，item-base，content-base。
- user-based：搜集用户profile。对于一个active user，找到跟其比较接近（或者相似）的几个neighbour。使用这些neibour对active user的interest进行预测，把那些潜在的interest推荐给active user。
- item-base:与user-based相对应。协同过滤推荐根据用户对相似项的评分预测该用户对目标项的评分，它基于这样一个假设：如果大部分用户对一些项的评分比较相似，则当前用户对这些项的评分也比较相似。对每个item寻找几个neighbour。譬如如果item A 与item B是一个neighbour pair，对于一个active user，如果其对A评价很高，或者有很高的兴趣，那么他极可能对B感兴趣,这样B就是一个潜在的inerest.
- content-based:根据item的内容与用户历史兴趣度进行分析关联，它的一个前提假设就是如果一个用户在过去一段时间对某item有较高的评价，那么在未来也会保持这种interest。这样就可以根据item之间的内容接近程度进行推荐。它有很大的缺陷，首先没有结合用户反馈，虽然一个item具有很高的可推荐性，但是如果大家都对其评价较差，那么这也许是一个不好的推荐item；其次就是其对item内容进行分析也只能是一个方面，不能全面深刻的描述一个item；再一个就是推荐的内容有限；当系统仅仅根据用户资料或项目描述来进行推荐的时候，用户被限制在只能得到与以往熟悉的内容相类似的项目。这样不利于挖掘用户潜在的兴趣。
协同过滤面临的问题：
- 数据稀疏问题（一个用户不可能对所有的商品都有过评价),例如：许多电子商务推荐系统要对大量的数据信息进行处理，而在这些系统中一般用户购买商品的总量占网站总商品量的1%左右，因此造成了评价矩阵(用户-项矩阵)非常稀疏。
- 再一个就是冷开始问题：cold start。它主要表现在一个新项目或者一个新用户的到来上。因为传统的协同过滤推荐是基于邻居用户资料得到目标用户的推荐，在一个新的项目首次出现的时候，因为没有用户对它作过评价，因此单纯的协同过滤无法对其进行预测评分和推荐。而且，由于新项目出现早期，用户评价较少，推荐的准确性也比较差。相似的，推荐系统对于新用户的推荐效果也很差。冷开始问题的极端的情况是：当一个协同过滤推荐系统刚开始运行的时候，每个用户在每个项目上都面临冷开始问题。
