說(shuō)起 Item-based collaborative filtering，還有一段有意思的爭論，是關(guān)于它的起源的。
GroupLens 研究小組的 Sarwar 教授等人，于2001年5月在香港召開(kāi)的第 10 屆 WWW 大會(huì )上，發(fā)表了題為《Item-based Collaborative Filtering Recommendation Algorithms》的 paper[1]?，F在看來(lái)，這篇 paper 在 Item-based Collaborative Filtering 方面是影響最廣的，被引用的次數也最多，基本上見(jiàn) Item-based 必見(jiàn)此文。在 2000 的時(shí)候，同是上文作者之一的 Karypis 曾經(jīng)完成了《Evaluation of Item-based Top-N Recommendation Algorithms》，但它僅作為明尼蘇達計算機系的一篇 Technical Report 進(jìn)行了發(fā)表，可以看作是 paper[1] 的工作基礎。
但實(shí)際上，早在 1998 年，Amazon 就已經(jīng)開(kāi)發(fā)出了自己的 Item-based 推薦系統，并投入了使用。同年，當時(shí) Amazon 推薦系統的設計師、現在 Findory 的創(chuàng )始人 Greg，連同 Jacobi 和 Benson，使用“Collaborative Recommendations Using Item-to-Item Similarity Mappings”的名字對該項技術(shù)申請了專(zhuān)利。但該專(zhuān)利直到 2001 年才正式通過(guò)！并且在 Sarwar 等人的 paper[1] 里，并沒(méi)有標明引用了此專(zhuān)利的內容。Greg 在自己的 blog 上專(zhuān)門(mén)撰文說(shuō)明了此事 [1] [2]，并得到了 Economist 編輯 Tom Standage 的承認。在 2003 年，Greg 發(fā)表了題為《Amazon.com Recommendations: Item-to-Item Collaborative Filtering》的 paper，對 1998 年的專(zhuān)利內容進(jìn)行了詳細的說(shuō)明。
這是一段挺有意思的事情。但更能引起我興趣的，是這項已經(jīng)被實(shí)踐證明確實(shí)行之有效的技術(shù)——Item-based (or item-to-item) collaborative filtering ！
Item-based 方法也有一個(gè)基本的假設：能夠引起用戶(hù)興趣的項，必定與其之前評分高的項相似。這個(gè)假設也是與我們日常生活中的行為相一致的，基本上喜歡《長(cháng)尾理論》的人，都會(huì )去看《世界是平的》，不知道你怎么想，反正豆瓣就是這么認為的。
同 User-based 方法類(lèi)似，Item-based 方法需要同樣的三個(gè)步驟：1）得到User-item的評分數據；2）針對項的最近鄰搜索，即對項進(jìn)行相似度計算；3）產(chǎn)生推薦。但相對于 User-based 方法，Item-based 方法最大的改進(jìn)是提高了協(xié)同過(guò)濾方法的擴展性及性能。
從上一篇中可以看到，在 User-based 方法中，隨著(zhù)用戶(hù)數量的不斷增多，在大數量級的用戶(hù)范圍內進(jìn)行“最近鄰搜索”會(huì )成為整個(gè)算法的瓶頸。Item-based 方法通過(guò)計算項之間的相似性來(lái)代替用戶(hù)之間的相似性。對于項來(lái)講，它們之間的相似性要穩定很多，因此可以離線(xiàn)完成工作量最大的相似性計算步驟，從而大大降低了在線(xiàn)計算量，提高推薦效率。
在 Item-based 方法中，要對 A 和 B 進(jìn)行項相似性計算，通常分為兩步：1）找出同時(shí)對 A 和 B 打過(guò)分的組合；2）對這些組合進(jìn)行相似度計算，常用的算法包括：皮爾森相關(guān)系數、余弦相似性、調整余弦相似性和條件概率等。
在 paper[1] 里，Sarwar 教授通過(guò)試驗得到 Item-based 方法的推薦效果要略好于 User-based 方法的結倫。但其實(shí)這也并不盡然。在 2003 年，Mild 教授從批判的角度重新審視了各種推薦算法，指出基于 Item-based 方法并不一定好，算法準確度與采用的實(shí)驗數據數據有關(guān)，大多數情況下還是 User-based 方法好。我個(gè)人倒是認為，其實(shí)沒(méi)有絕對的好壞之分，而應該根據問(wèn)題的不同和數據集的特點(diǎn)，選擇最合適的方法。
上面所說(shuō)的偏重于學(xué)術(shù)界一些，算法的出發(fā)點(diǎn)還是基于打分，多數使用的是 MovieLens 的數據。工業(yè)界實(shí)際使用的多是在基本 Item-based 方法基礎上的變形，例如基于關(guān)聯(lián)規則的方法，這些方法最大的變化就是在計算項的相似度方面做文章。其實(shí)正如 Greg 曾經(jīng)說(shuō)過(guò)的，協(xié)同過(guò)濾最大的特點(diǎn)是“以數據為先”的，只當有了大量的數據積累，才可能找到最有效的、最適宜的方法。
