本文主要是介绍ItemCF召回，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
基本思想：该算法向用户推荐与他们之前喜欢的物品相似的其它物品。
内容：itemCF算法通过计算用户的历史行为记录，来分析物品之间的相似度：如果喜欢物品a的用户大多数也喜欢物品b，那么认为物品A与物品B具有一定的相似度。
相似度计算公式：
参数影响：
参数K是ItemCF算法的重要参数，它对推荐算法的各种指标都会产生一些列的影响：
精度（准确率和召回率）：准确率和召回率与参数k并不呈正相关或者负相关，但是选择合适的K对于获得推荐系统高的精度比较重要。
流行度：随着K的增大，推荐结果的流行度会逐渐提高，但是当K增加到一定的程度，流行度就不会再有明显变化。
覆盖率：K越大，覆盖率会相应地降低。（存疑）
关注点：
活跃的用户，相比起不活跃的用户而言，对物品之间相似度的贡献更小。
越是热门的类，其类内物品的相似度越大。除此之外，不同领域的最热门物品之间的相似度往往也是很高的。
参考资料：
https://blog.csdn.net/dreamfantacy/article/details/102406922
https://aws.amazon.com/cn/blogs/china/recommended-system-overview-of-recommended-system-series-part-1/
这篇关于ItemCF召回的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
