Ich würde gerne wissen, wie genau sich mahout benutzerbasierte und artikelbasierte Empfehlungen voneinander unterscheiden.
Es definiert das
Benutzerbasiert : Empfehlen Sie Artikel, indem Sie nach ähnlichen Benutzern suchen. Dies ist aufgrund der Dynamik der Benutzer oft schwieriger zu skalieren.
Artikelbasiert : Berechnen Sie die Ähnlichkeit zwischen Artikeln und geben Sie Empfehlungen ab. Elemente ändern sich normalerweise nicht viel, daher kann dies häufig offline berechnet werden.
Obwohl zwei Arten von Empfehlungen zur Verfügung stehen, wird meines Wissens nach für beide ein Datenmodell verwendet (z. B. 1,2 oder 1,2, .5 als item1, item2, value oder user1, user2, value, wobei value nicht ist obligatorisch) und führt alle Berechnungen als die von uns gewählte Ähnlichkeitsmaß- und Empfehlungsfunktion durch, und wir können sowohl benutzer- als auch artikelbasierte Empfehlungen mit denselben Daten ausführen (ist dies eine korrekte Annahme?).
Ich möchte also wissen, wie genau und in welchen Aspekten sich diese beiden Algorithmusarten unterscheiden.
quelle