推荐系统之基于用户的协调过滤

在如何海量的数据时代，如何从海量的商品中选择相关产品？在1100万首iTunes曲目中，肯定有一部分音乐是你特别喜爱的，那么该如何找到它们呢？
- 专家点评推荐（影评家）
- 通过商品本身寻找（我喜欢披头士的一张专辑，所以会认为他们的另一张专辑也不错）

数据挖掘不仅仅是用来推荐商品，或是单单给商人增加销量，同时也能扩展我们的能力，让我们能够处理海量的数据，如让潘多拉音乐站提供个性化的音乐列表。数据挖掘的重点在于找到数据中的模式。

协调过滤

利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。

协调过滤的实现的三步骤：收集数据——找到相似用户和物品——进行推荐

---

数据集来源：

1. 用户的浏览记录
2. 其他浏览过该商品的用户的浏览记录

找到相似用户

这里可以用距离表示，即找到距离最近的两个用户。

计算距离的算法有以下几种：

1. 曼哈顿距离
   

2. 欧几里得距离（利用勾股定理计算两点间的直线距离）
   

3. 闵可夫斯基（将曼哈顿和欧几里得距离归纳成一个公式）
   
   以上三种方式实现代码请访问： https://github.com/BubbleM/Python-Recommended/blob/master/recommend1.py

4. 皮尔逊相关系数（描述两个变量之间的线性相关程度 评价标准之间的差异）
   

   实现:
   https://github.com/BubbleM/Python-Recommended/blob/master/recommend2.py

5. 余弦相似度（不足在于并没有很好的解决分数贬值问题）
   

区别：
在数据完整“密集”的情况下使用曼哈顿和欧几里得距离效果最好。
当数据存在“分数膨胀”问题，使用皮尔逊相关系数效果最好。
在数据稀疏，非零值较总体要少得多的情况下使用余弦相似度效果最好。

K最邻近算法

如果只依靠最相似的一个用户来做推荐，这个用户有些特殊的偏好，会直接反映在推荐内容里。解决之一就是找寻多个相似的用户。
实现代码：
https://github.com/BubbleM/Python-Recommended/blob/master/recommend.py

原文请访问：https://github.com/BubbleM/blog/issues/4