个性化文献-《Item-Based Collaborative Filtering Recommendation Algorithms》

这是一篇比较经典的item based的协同推荐方法。对公式介绍比较全面。

文章介绍了3个相似度计算公式：

1。余弦相似度公式

2。基于相关系数的相似度公式

这个公式主要是为了避免某个item打分普遍比较高的情况下，利用item的均值对评分进行处理。

3。调整的余弦相似度公式

该公式与上式的区别在于用用户的均值进行调整，避免某个用户总是倾向于打低分或者高分的情况。从最后的实验结果表明，这个公式的MAE值最小，推荐效果做好。

对于评分预测的公式，文章采用了如下公式：

将active user对当前item的评分作为当前item的邻居item的权重对相似度进行调整，预测最后的得分。

另外一种方法是基于回归模型的，主要是修正了上述公式采用“active user对当前item的评分作为当前item的邻居item的权重”的方式，采用了线性回归模型的方式进行预测。

其中 是回归模型的误差， 和 的确定方式不太清楚，文章一笔带过了，比较郁闷。

查下资料，基本的一元线性回归求解过程如下：

1、简单线性方程式：y=a+bx

2、变量y不仅受x的影响，还受其他随机因素的影响，因此通过相关图，可以直观地发现各个相关点并不都落在一条直线上，而是在直线上下波动，只呈现线性相关的趋势。

3、我们试图在相关图的散点中引出一条模拟的回归直线，以表明两变量x与y的关系，称为估计回归线，回归方程：yc=a+bx

yc—y的估计值 a—纵轴截距

b—回归系数,代表自变量增加一个单位时因变量的平均增加值。

4、计算a、b值

当实际值y与估计值yc的离差平方和为最小值时，则此直线为最优的理想直线