基于物品的协同过滤算法分析

分析说明

本文主要对下面博文进行分析

推荐系统方法（利用用户行为数据）

基于物品的协同过滤算法

原文中的公式：
$W_{ij}=\frac{|N_i\cap N_u|}{|N_i|}$

$W_{ij}$ 表示物品i和j之间的相似度；

那么这个公式可以用条件概率的方法推导,那么$W_{ij}$其实可以表示为用户在喜欢物品i的条件下，又喜欢物品j的概率，类似公式如下：
$W_{ij}=P(j|i)=\frac{P(ij)}{Pi}$

隐语义模型

R,P,Q这三个矩阵为例，其中的class1,class2,class3 三个类别，其实可以理解为对物品的3个特征参数（$x_1,x_2,x_3$），即表示分别属于这3中类别的程度用数值表示，将Q矩阵转置一下(即$Q^T$)更为合理些，以物品item为样本点集合，那么P矩阵就是每个用户对3个特征参数的$\theta$向量构成的矩阵，这里的$\theta$属于3维向量，P矩阵为用户数量*3。
那么R矩阵也进行转置(即$R^T$)就合理了，它表示用户对每一个物品的喜好程度的数值表示矩阵，这就和吴恩达机器学习中的电影评分推荐的讲解比较吻合了。