如果有常去逛電商網站，就可能有看過網站推薦你：「購買了這本書的人還買了什麼？」或者，「誰的粉絲也看了什麼影片？」。這樣的推薦方式是什麼樣的推薦方式呢？

前幾天的內容，基於內容相似的推薦的演算法，都沒有考慮到人和電影的互動，也就是說，人的行為沒有被拿來當作參考。

把人和物品的互動當作是推薦的參考資料。這種推薦方式就會被稱為：協作過濾推薦(Collaborative filtering recommendation)。你可以理解人的行為當成是內容，然後找相似度高的做推薦。

好了，這個演算法一句話就講完了，是不是很簡單，可以下課了~~~~~~

如果你還沒有急著下課，那我還可以再多說一點點，這種做法可以分為兩類，而且每一類都會有一張表，而特徵向量就從這邊來。

第一類：基於使用者的協作過濾(UserCF)

這一類的基本思路是：假設物以類聚，朋友間喜歡和討厭的東西會一樣。

例如系統發現 Alice 和 Bob 他們喜歡的東西和討厭的東西很像。如果系統知道 Bob 喜歡神隱少女，那同樣的就會推薦神隱少女給 Alice 。

這樣問題就又來了，什麼叫做 Alice 和 Bob 很像？

第二類：基於物品的協作過濾(ItemCF)

第一類是以人為主，這一類的話，就是以物品為主。

舉個例子：如果神隱少女這個部電影，喜歡他跟討厭他的人群分布跟「龍貓」是一樣，那當人們關注「神隱少女」時，就推薦「龍貓」給他，是不是也很合理？

這樣問題就又來了。什麼叫做喜歡他和討厭他的人群分布很像？

UserCF 和 ItemCF 的「相似度」問題，都透過評分表產生特徵向量來解決

要找相似度，就要先找到要推薦的東西或使用者的特徵向量，。

所以在利用 UserCF 或 ItemCF 時，都會用到一張評分表，用來表達每個人對每部電影的喜好程度，這剛好就可以拿來當特徵向量。

基於使用者的協作過濾(UserCF)，把人對每部電影的評分，當成是這個人的特徵向量，這樣就找出誰和誰像了！

基於物品的協作過濾(ItemCF)，剛好相反，把每個人對這部電影的喜歡和討厭程度，當成是這電影的特徵向量，這樣就找出哪些電影相似了！

這思路是不是簡單又直覺？只要將前幾天基於內容的推薦的那幾招學會，這邊一定一下就了解了。

這下就知道為什麼我當初會在特徵向量，講了2天的原因。

下一步呢？

今天我們提到協作過濾，就是把人跟商品的行為互動。當作是推薦的參考。其中又分為兩種：一種是使用者協作過濾，一種是物品的協作過濾。其實他就是他們參考的對象，剛好相反而已，不管哪一種，他們都會需要一張評分表，那張評分表上的東西。就可以產生。特徵向量。

接著，我們就來看看這種做法的優缺點，以及真的要實作的話，方法是什麼？