协同过滤算法CSDN收藏

想作会飞的鱼的博客
以大多数人的努力程度之低，根本轮不到拼天赋！
https://blog.csdn.net/xiaokang123456kao/article/category/7013355

51duchao
https://blog.csdn.net/u012995888/article/category/7401968

https://blog.csdn.net/sdksdk0/article/category/7650577

协同过滤和基于内容推荐有什么区别

协同过滤系统核心思想：
• 利用用户历史信息计算用户之间的相似性；
• 利用与目标用户相似较高的邻居对其他产品的评价来预测目标对特定产品的喜好程度，系统根据这一喜好程度来对目标用户进行推荐。包括以下三种类型：
1.1基于用户的协同过滤推荐基本思想：用户选中某个推荐对象是基于朋友的推荐。也就是说如果一些用户对某些对象的评分比较相似，则说明这些用户的偏好相似，那么他们对其他推荐对象的评分应该也是相似的。所以协同过滤推荐首先找到和目标用户兴趣偏好相似的最近邻居，然后根据邻居们对推荐对象的评分来预测目标用户对未评分的推荐对象的评分，选择预测评分最高的若干个推荐对象作为推荐结果反馈给用户
1.2基于项目的协同过滤推荐基于项目的协同过滤推荐的基本原理也是类似的，只是说它使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户。例如亚马逊，在产品相对稳定的系统中是很有效的，但是对于产品数量不断增加的系统，这方法是不适用的
1.3基于模型的协同过滤推荐利用用户c对众多对象的评分来得到一个用户c的模型，进而对某对象预测打分。和上述两种协同推荐的不同在于对已有数据应用统计和机器学习的方法得到模型进行预测的。
基于内容的推荐系统如上，协同推荐主要是依据用户对项目的评价，但是基于内容的推荐系统它不需要依据用户对项目的评价意见，而是依据用户已选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐。如电影推荐系统，首先我们需要对电影的元数据有一个建模，这里只简单的描述了一下电影的类型；然后通过电影的元数据发现电影间的相似度，因为类型都是“爱情，浪漫”电影 A 和 C 被认为是相似的电影（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等）；最后实现推荐，对于用户 A，他喜欢看电影 A，那么系统就可以给他推荐类似的电影 C。

【基于用户推荐】用户A是个30岁的北京中年大叔，推荐燕京啤酒给他 关键：需要计算用户画像，如：30岁、北京、中年大叔
【基于内容推荐】用户A买过喜力啤酒，推荐燕京啤酒给他，关键：内容本身的相似度，喜力啤酒 和 燕京啤酒 类似，和iphone手机就差别很大
【基于协同推荐】
UserCF（用户协同）：用户A和用户B类似，用户B买了燕京啤酒，推荐燕京啤酒给用户A关键：需要计算出用户A和用户B相似度，可以通过用户画像，也可以通过用户行为来计算
ItemCF（内容协同）：购买过尿布的用户很多都会购买啤酒，用户A买了尿布，推荐燕京啤酒给用户A