【推荐算法学习笔记一】Memory-Based Collaborative Filtering

基于显示反馈（explicit feedback）的推荐

问题描述

假设我们将用户的显示反馈记录在一个矩阵（评分矩阵）中：

矩阵中的数字代表用户对物品的评分，？表示缺失值。这是一个预测评分的问题，我们需要通过群体智慧来预测？中的值

集体智慧假设

• User-based CF:

在过去有相同品味的用户们在未来也很有可能具有相似的品味。

• Item-based CF:

一个用户很有可能喜欢与他过去喜欢的物品相似的物品

符号定义

相似度

皮尔森相关系数----Pearson correlation coefficient (PCC)

user_u和user_w之间的相似度：

调整后的余弦相似度----Adjusted Cosine similarity

item_k和item_j 之间的相似度：

两种相似度的取值范围都是[-1,1]。-1为负相关，1为正相关。

邻居选择过程

• User-based CF

最近的Top-K 邻居：

• Item-based CF

最近的Top-K 邻居：

• 可能存在的问题

    对于user和item来说，可能邻居不够K个（以user_u为例，就是买过自己买过的物品的其他user数量不足K个），这时候将会用到整个邻居集，这种情况下，靠邻居的信息来计算并没有那么可靠。

预测评分公式 (Prediction Rule)

User-based CF

    user_u对item_ j的预测评分为：

Item-based CF

     user_u对item_ j的预测评分为：

在预测公式中，所有的数值都是预计算好的，没有需要学习的参数。

其他的一些细节想到再补充。

本文内容来自SZU 潘老师的课件。