UserCF：

性能：適用于用戶較少的場合，如果用戶很多，計算用戶相似度矩陣代價很大。

領域：時效性較強，用戶個性化興趣不太明顯的領域。

實時性：用戶有新行為，不一定造成推薦結果的立即變化。

冷啟動：

在新用戶對很少的物品產生行為后，不能立即對它進行個性化推薦，因為用戶相似度表示每隔一段時間離線計算的。

新物品上線后一段時間，一旦有用戶對物品產生行為，就可以將新物品推薦給和對它產生行為的用戶興趣相似的其他用戶。

推薦理由：很難提供令用戶信服的推薦解釋。

ItemCF：

性能:適用于物品數明顯小于用戶數的場合，如果物品很多，計算物品的相似度矩陣代價很大。

領域：長尾物品豐富，用戶個性化需求強烈的領域。

實時性：用戶有新行為，一定會導致推薦結果的實時變化。

冷啟動：

新用戶只要對一個物品產生行為，就可以給它推薦和該物品相關的其它物品。

但沒有辦法在不離線更新物品相似度表的情況下將新的物品推薦給用戶。

推薦理由：利用用戶的歷史行為給用戶做推薦解釋，可以令用戶比較信服。

出自：《推薦系統實戰》一書

總結

以上是生活随笔為你收集整理的协同过滤算法UserCF和ItemCF优缺点对比的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。