基于物品 的协同过滤推荐算法(ItemCF)

首先给用户行为定义相应的权重积分

算法思路：给用户推荐那些和他们之前喜欢的物品相似的物品

实例如下：

    

 算法步骤：

 用户对于商品的权重分数，为用户对商品操作的分数相加。

余弦相似度计算计算逻辑,以物品1和物品2为例：

根据用户对第一、二商品的操作分数，可以算出两个商品在这三个用户心目中的相似度，用户标本更多则更精准

   

1.0×2+0.36×10+0.93×0+0.99×3+0×0+0.26×5=9.87 约等于9.9 为 用户A对商品1的综合兴趣度

可理解为以商品1为基准，1.0×2的意思就是商品1在用户心目中的地位，0.36×10的意思就是商品2对于1的相似度为0.36，但是用户对于商品2的渴望度比较高为10，从用户对商品2的渴望度和1、2的相似度得出，相较于商品2用户对于商品1的渴望度为0.36*10，其他商品同理。

0.36×2+1×10+0×0+0.49×3+0.29×0+0.88×5=16.59 约等于16.6 用户A对商品2的综合兴趣度

计算得：得出商品对于用户的推荐系数

   

    对比评分矩阵，对于已经推荐过的物品如果要去除推荐

 去除推荐就是置为0，并且选出评分最高的物品就是用户最应该推荐的一个物品了

例如通过评分矩阵发现A用户对商品1,2,4,6操作过，就不再推荐商品1,2,4,6，用户对商品3和5没有操作过，5的系数比较高，则推荐5给用户

   

总结：

  

1.该算法最适用于同一类型的物品，在一类商品下，例如球鞋，如果安踏、耐克、阿迪和惠普、联想一起进行相似度和推荐系数计算，是不准确的，如果是在首页推荐也可使用。

2.算法也建立在对商品有需求的用户上，对该类商品有兴趣（有过操作），比如商品安踏、李宁、耐克对于学生和工作党的推荐，对于没有球鞋需求的老年人用户，不适用。

同类物品×需求用户 可得出最准确的推荐

参考链接：https://blog.csdn.net/xj6591073/article/details/79049469