這兩天我們介紹了 協作過濾法是什麼，昨天也說明了UserCF 和 Item CF 的演算法。但工具要使用，還得要看場合。只要場合對，任何演算法都是最佳演算法。

ItemCF 和 UserCF 各適合用在哪裡？協作過濾法(CF)的優、缺點有哪些？還有與基於內容的推薦有哪些不同？接下來我們一一來比較。

UserCF 和 Item CF 應用場景

UserCF 使用場景

1. 因為是透過朋友的喜好做推薦，會推薦出以前沒接觸過的事物，適合在找新鮮感的使用者。
2. 適合用在內容快速更新的場景，例如 youtube 、新聞網站這類，大家上來很大部份的原因是要來找有趣的內容。
3. 例如：使用者若對「魔戒」有興趣，那系統可能會推薦雖和魔戒關係不大，但最近很紅的電影，並且這電影是使用者會喜歡的。
4. 有很強的社交傾向，使用者可以快速得知與自己類似興趣的人，正在關注什麼，進而一起了解，一起討論。通常看的推薦理由是： XXX 的粉絲也看過 YYY ，就屬這一類。

ItemCF 使用場景

1. 因為是基於物品評價的相似度做推薦的，適合協助深度挖掘某個領域，適合用在找某類電影、產品的使用者。
2. 通常用在購物網站上，因為上網購物時，若是對某產品感興趣，通常就是要解決生活中的某個問題。
3. 例如，鍵盤壞了上網找鍵盤，就希望從不同種鍵盤裡挑一個回來用，這時推薦衣服會令使用者很困擾，因為對他解決問題一點幫助也沒有。

協作過濾法(CF)的優、缺點

優點

1. 直覺、可解釋性強。
2. 有利用眾人的智慧（評分）來做個人化的推薦。
3. 不需要去分析商品的內容：因為是透過評分去做推薦，所以對於難分析的事變得也可以做推薦。例如：電影、音樂、畫作等等。
4. 可以幫助使用者找到會喜歡但沒見過的事，拓展新的興趣。

缺點

1. 要維護很大的評分表，使用者和商品變多，系統效能會低得很快！
2. 沒有相似的資料，就沒有用了。但通常一開始都沒有資料，誰和誰相似就做不出來了！
3. 除了分數資訊外，沒有用到其它的特徵資料。例如：人的性別、年齡、地區分佈，也沒有用商品資訊、電影裡的內容資訊。
4. 冷門的東西（沒人理的東西）就不會被推薦。和熱門東西以及和它相似的東西，就會被強力推薦（因為人們愛，資料多）。

基於內容過濾(CBF)和協作過濾(CF)的推薦演算法優缺點比較

協作過濾法

優點：

根據使用者的和系統的互動資料做推薦，跟商品的內容、屬性無關。沒用到其它商品的資料。

缺點：

1. 沒有基本的用互動的歷史資料，就無法使用，需解決冷啓動問題。
2. 商品或使用者大量增加的話，協同過濾評分表越難算

基於內容推薦

優點：

1. 根據商品的內容進行推薦，沒有使用者的偏好資料也沒問題，所以無需解決冷啓動問題。

缺點：

1. 需要透徹的內容分析，若內容不足或內容無法表達商品，那推薦便不準確。
2. 因用內容分析，常受到同個詞有歧義（如蘋果，到底是手機？還是水果？）而影響推薦。
3. 不能給使用者帶來驚喜，因為只是推薦內容相似的商品。

接下來呢？

到此，我們介紹了基於內容(CBF)及協作過濾(CF)2種推薦演算法。並且也說明了各種作法的優缺點，以及應用場景。

接下來會帶著大家實作，以及介紹其它的演算法來改善這幾個演算法的缺點。