协同过滤算法可能存在的问题有（）
A: 冷启动问题（当有一名新用户或新物品进入系统时，推荐将无从依据）
B: 稀疏性问题
C: 对于用户评分数据的准确性有较高依赖
D: 在计算的过程中，热门物品被推荐的几率更大
A: 冷启动问题（当有一名新用户或新物品进入系统时，推荐将无从依据）
B: 稀疏性问题
C: 对于用户评分数据的准确性有较高依赖
D: 在计算的过程中，热门物品被推荐的几率更大
举一反三
- 协同过滤算法存在哪些不足（ ）。 A: 系统冷启动 B: 物品冷启动 C: 稀疏性问题 D: 用户冷启动问题
- 所谓（ ）就是新用户没有太多的行为，我们无法为他计算个性化推荐。这时可行的推荐策略是为这类用户推荐热门物品、通过人工编排筛选出的物品。或者用户只有很少的行为，协同过滤效果也不好，这时可以采用基于内容的推荐算法补充。 A: 稀疏性问题 B: 物品冷启动 C: 用户冷启动问题 D: 系统冷启动
- 基于协同过滤推荐对于新物品和新用户没有冷启动问题。( )
- 下面哪些属于协同过滤算法存在的不足？（ ） A: 当一个新的用户或物品进入推荐系统时，系统将无从依据 B: 在推荐的过程中，当前最流行的物品会更更容易被推荐 C: 算法对于用户的主观评分比较依赖 D: 协同过滤算法适用于更迭快的物品（比如新闻，广告），在更新速度过快用户评论不多的情况下，比起其他算法，协同过滤算法能有好的的准确度。
- 所谓（ ）就是新的标的物加入系统，没有用户操作行为，这时协同过滤算法也无法将该物品推荐给用户。 A: 用户冷启动问题 B: 物品冷启动 C: 系统冷启动 D: 稀疏性问题