推荐系统之协同过滤

TOC

数据集

上下文

上下文指用户当前访问所处的环境，如时间，地点，网络类型，机器型号等信息。

隐式反馈数据集

通常是指服务器日志，可能含有上下文，如浏览历史。

显式反馈数据集

通常是指用户调查，反馈模块等的数据，如电影的评分，是否喜欢。

协同过滤

根据用户已有的行为或意见预测当前用户最可能感兴趣的物品。 数据集通常由三部分构成：用户集合，物品集合，用户物品行为集合。 协同过滤的主要算法分为两类：

基于用户的协同过滤: 根据相似用户预测前前用户最可能感兴趣的物品。 基于物品的协同过滤 根据用户的历史行为预测当前用户最可能感兴趣的物品。

基于用户的协同过滤

#### 核心算法-用户相似度

余弦相似度

Jaccard公式

时间复杂度为O(|U|*|V|)

Pearson相关系数

以上公式均可以引入平均值来提高准确率。

基于物品的协同过滤

核心算法 - 物品相似度

主要通过分析用户行为记录计算物品间的相似度

基于物品的协同过滤算法主要分为两步：

计算物品间的相似度根据物品的相似度和用户的历史行为生成推荐列表

相关公式

余弦公式

N(i)为购买过物品i的用户集合。$$W_{ij}$$为物品i与物品j的相似度。

使用IUF(Inverse User Frequence)修正后的物品相似度公式

N(u)为用户u购买过的物品集合

物品相似度归一化

归一化可以提高准确度、覆盖率以及多样性

转载于:https://www.cnblogs.com/lotushy/p/4828517.html

相关资源：数据结构—成绩单生成器