概念基于物品的协同过滤
ItemCF
协同过滤的一个分支，基于物品之间的共现关系计算相似度进行推荐，适用于物品集稳定、需要可解释性的电商等场景。
时间轴 (近 90 天)
10月18日
UserCF基于用户相似度推荐，ItemCF基于物品相似度推荐，两者是同一用户-物品交互矩阵的不同观察方向（按行 vs 按列）。
待验证50%
10月18日
ItemCF的共现矩阵C[i][j]表示同时消费过物品i和物品j的用户数，规模为物品数平方但只需存储非零项。
待验证50%
10月18日
ItemCF的余弦相似度公式为sim(i,j) = C[i][j] / sqrt(N[i] * N[j])，分母归一化天然实现对热门物品的降权。
待验证50%
10月18日
UserCF适用于用户兴趣发散的内容平台（新闻、视频）和趋势型场景；ItemCF适用于物品集相对稳定、用户数远大于物品数的电商及需要可解释性的场景。
待验证50%
10月18日
多数电商会优先选ItemCF，因为矩阵小、易维护、解释天然。
待验证50%
10月18日
ItemCF的可解释性（直接展示“因为你买过X”）通常在点击率上优于无解释推荐。
待验证50%
全部知识事实 (6)
待验证
UserCF基于用户相似度推荐，ItemCF基于物品相似度推荐，两者是同一用户-物品交互矩阵的不同观察方向（按行 vs 按列）。
50%待验证ItemCF的共现矩阵C[i][j]表示同时消费过物品i和物品j的用户数，规模为物品数平方但只需存储非零项。
50%待验证ItemCF的余弦相似度公式为sim(i,j) = C[i][j] / sqrt(N[i] * N[j])，分母归一化天然实现对热门物品的降权。
50%待验证UserCF适用于用户兴趣发散的内容平台（新闻、视频）和趋势型场景；ItemCF适用于物品集相对稳定、用户数远大于物品数的电商及需要可解释性的场景。
50%待验证多数电商会优先选ItemCF，因为矩阵小、易维护、解释天然。
50%待验证ItemCF的可解释性（直接展示“因为你买过X”）通常在点击率上优于无解释推荐。
50%