协同过滤

随着Web2.0的发展，现在已经进入了一个数据爆炸的时代。人们想要找到本身须要的信息也愈来愈难。

–所以有了Search，在用户对本身需求相对明确的时候，用Search能很快的找到本身须要的数据

–但不少状况下，用户其实并不明确本身的须要，或者他们须要更加符合他们我的口味和喜爱的结果，所以出现了Recommendation

–这是个从数据的搜索到发现的转变 

推荐方法分类–基于数据

•推荐系统能够简化建模为如下模型 

 

 

 

根据数据的不一样，能够把推荐方法分为如下3类：

–根据用户特征(人口统计学)：年龄，性别，职业，收入，地理位置

–根据物品的特征：关键词，基因…

–根据用户对物品的行为：评分，购买，评论…

协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering) 

基于用户的协同过滤 

基本原理

–根据全部用户对物品或者信息的偏好，计算用户间的类似度

–基于类似度找到与当前用户口味和偏好类似的“邻居”用户群，在通常的应用中是采用计算“K-邻居”的算法

–基于这K 个邻居的历史偏好信息，为当前用户进行推荐

　　 

用户类似度的计算

–每一个用户是一个向量，向量空间为物品集合，用向量的距离表示用户的类似度，cosine类似度

       

优化方法：

•不少user之间其实没有共同的item，致使分子为0.

•因此先创建物品到用户的倒排表，这样就很容易找到有共同打分的user，对每两个对物品有评价的用户，在User-User的类似度表中先标出他们的分子，最后在统一计算他们的类似度  

 基于物品的协同过滤

基本原理也是相似的：

–它使用全部用户对物品或者信息的偏好，发现物品和物品之间的类似度，而后根据用户的历史偏好信息，将相似的物品推荐给用户

Item-based CF算法  

• 基本逻辑和User-based CF同样。

•须要注意：

–CF算法都对流行物品进行了一些特殊的处理，以减轻他在权重中的影响。

–对ItemCF，有一个扩展算法，就是考虑用户活跃度对物品类似度的影响，认为越活跃的用户对物品的贡献度越小，相似UserCF的扩展。其实都是相似TFIDF的计算，其实对于过于活跃的用户，有的系统会忽略它的兴趣列表，这样能够提升推荐的覆盖率。

•ItemCF的类似度矩阵应该进行归一化处理，这样能够避免不一样类型物品类似度绝对值范围不一样的问题，以提升推荐的准确率。

两种协同过滤方法的比较

•差异

–UserCF更侧重反映和用户兴趣类似的小群体的热点，因此UserCF其实更加社会化，而ItemCF侧重于维系用户的历史兴趣，是推荐更加个性化。

–UserCF更加适合时效性强，用户个性化兴趣不明显的领域，好比个性化新闻，而ItemCF适合长尾物品丰富，用户个性化需求强烈的领域，好比图书，电影。

–一般购物网站会采用基于物品的协同过滤方法，由于物品相对用户数目更少，更容易计算。

•应用

–基于用户：Digg, 新闻网站（好比雅虎新闻）

–基于物品：Amazon, Netflix, YouTube