Recommender Systems Handbook读书笔记之第四章(2)

承接 Recommender Systems Handbook读书笔记之第四章(1)，本篇作为第二部分主要讲了user-based CF和item-based CF计算方法框架，以及两种方法之间的对比。

如果可以预测出用户u对item i的评价R(ui)，则可以根据R(ui)对用户进行推荐，因此主要问题转化为了对R(ui)的预测。

Ni(u)：表示对item i有过评价的user u的近邻。

R(vi)：表示user v对item i的评价。

W(uv)：表示user u与user v之间的相似程度。

S(ij): 表示item i与item j之间的相似程度。

Nu(i)：表示对item i有过评价的user u的所有有评价的item。

User-based Rating Prediction：

User-based CF的基本思想就是给用户推荐与其有相似兴趣的近邻喜欢的item，基于此可以根据user u的近邻对item i的评价来预测u对item i的评价。因此user u对item i的评价可以通过以下方式得到：

上面的公式通过计算user u的近邻对item i的评价的平均值，以此来作为user u对item i的预测评价值。上面的方法可以大体上预测出u与i的评价值，但是上面的方面没有考虑到不同的user v与user u之间的兴趣相似程度不一样，一般来说，兴趣更相似的近邻对item i的评价应该具有更有效的说服力，通过改进可以得到下面的的计算方法：

上面的计算公式中加入W(uv)，考虑了近邻用户与user u之间的相似程度的因素，该方面比起前面的方法有了一定的改进。在CF的推荐方法中经常会遇到这样一个问题：不同user对item的评价标准不一样，例如user A对自己不喜欢的电影一般能给7分，自己喜欢的电影给8分，而user B对于自己不喜欢的电影只给5分，对于自己喜欢的电影给9分。显然，将user对item的评价直接用来计算是不太合理，需要对其进行归一化（normalization）。

h[u(vi)]表示user u对item i评价的归一化函数。因此可得到新更准确的R(ui)预测方法：

h-1表示归一化函数的逆函数。 

Item-based Rating Prediction

如前一篇所述，item-based CF的基本思想是给用户推荐与其之前所喜欢的相似的item。根据前面类似的分析思路可以得到item-based方法下user u对item i的评价预测方法。

User-based与Item-based方法比较：

1、  准确率：在user-based的方法中，通常是通过不同用户对相同item的评价来计算用户之间的相似度。假设有1000个user对100个item做出了评价，假设用户评价在商品上都是一致分布的，那么每个用户潜在的邻居为650个，但是不同user对item的共同评价数仅仅为1，数据稀疏问题比较严重。在item-based的方法中，通常通过同一个用户对不同item的评分来计算item之间的相似度,潜在的平均邻居数位99，用于计算相似度的共同点击数为10。在大多数情况下，可信度较高的邻居，即使规模较少，也比规模更大的可信度不高的邻居更有用。在amazon的推荐系统中，用户数量比商品数量多很多，实践证明，item-based的方法是更有效的。

2、  效率：在大部分的系统中，user的数量是远超item的数量，因此item-based的方法所需内存远小于user-based的方法。

3、  稳定性：如果item数量的相对比user更稳定，系统中更适合采用item-based的方法。因为在一段时间内计算的item之间的相似性可以用于推荐给new user。反则，则适合用user-based的方法，例如在新闻推荐中。

4、  可解释性：item-basedCF相对user-based CF方法的可解释性更好，因为用户清楚自己之前的兴趣爱好，而用户可能并不认识与他兴趣相似的邻居。

5、  新颖性：由于item-basedCF是推荐之前相似的物品，因此新颖性相对user-based CF要差一些。