推荐系统实战--movieslens数据集实现UserCF算法

UserCF：UserCollaborationFilter，基于用户的协同过滤

 

算法核心思想：在一个在线推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其它用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A，这种方法称为基于用户的协同过滤算法。

 可以看出，这个算法主要包括两步：

一、找到和目标用户兴趣相似的用户集合——计算两个用户的兴趣相似度

二、找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户——找出物品推荐

 

下面分别来看如何实现这两步：

一、计算两个用户的兴趣相似度：

给定用户u和用户v，令N(u)表示用户u感兴趣的物品集合，N(v)表示用户v感兴趣的物品集合，那么可以通过Jaccard公式或者通过余弦相似度公式计算：

...Jaccard公式

 

...余弦相似度公式

 

 

举例：下图表示用户A对物品{a,b,d}有过行为，用户B对物品{a,c}有过行为

利用余弦相似度计算可得：

用户A和用户B的兴趣相似度为：

(cosθ = X * y /(||X|| * ||y||))   也就是X * y = ||X|| * ||y|| * cosθ  这个公式推导得出

同理，

 

但是，需要注意的是，这种方法的时间复杂度是O(U^2)，因为我们需要计算每一对用户之间的相似度，事实上，很多用户相互之间并没有对同样的物品产生过行为，所以很多时候当分子为0的时候没有必要再去计算分母，所以这里可以优化：即首先计算出|N(u) 并 N(v)| != 0 的用户对(u,v)，然后对这种情况计算分母以得到两