{ItemCF算法的优势:在电子商务、电影、图书等应用场景中广泛使用,并且可以利用用户群体的集体行为给推荐结果作出解释,让用户更为信服推荐的效果。}
举一反三
- 下列说法错误的是: ItemCF算法推荐的是那些和目标用户之前喜欢的物品类似的其他物品|UserCF算法推荐的是那些和目标用户有共同兴趣爱好的其他用户所喜欢的物品|UserCF算法的推荐更偏向社会化，而ItemCF算法的推荐更偏向于个性化|基于用户的协同过滤算法（简称UserCF算法）是目前业界应用最多的算法
- 下列关于协同过滤算法的描述，哪些是正确的？ A: 基于物品的协同过滤算法（简称ItemCF算法）是目前业界应用最多的算法 B: ItemCF算法是给目标用户推荐那些和他们之前喜欢的物品相似的物品 C: ItemCF算法通过建立用户到物品倒排表（每个用户喜欢的物品的列表）来计算物品相似度 D: UserCF算法推荐的是那些和目标用户有共同兴趣爱好的其他用户所喜欢的物品
- 根据用户的历史行为推荐相似物品比如电影网、音乐网，更注重个性，通常采用基于（ ）的协同过滤（ItemCF算法）。
- 下面关于协同过滤算法的描述错误的是：（ ） A: 基于用户的协同过滤算法（简称UserCF算法）是推荐系统中最古老的算法，可以说，UserCF的诞生标志着推荐系统的诞生 B: 基于物品的协同过滤算法（简称ItemCF算法）是目前业界应用最多的算法 C: 基于模型的协同过滤算法（ModelCF）是通过已经观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品 D: UserCF算法是给目标用户推荐那些和他们之前喜欢的物品相似的物品。
- 中国大学MOOC: 根据用户的历史行为推荐相似物品比如电影网、音乐网，更注重个性，通常采用基于（ ）的协同过滤（ItemCF算法）。