推荐系统 | 基础推荐模型 | 协同过滤 | UserCF与ItemCF的Python实现及优化

---

基础推荐模型——传送门：

• 推荐系统 | 基础推荐模型 | 协同过滤 | UserCF与ItemCF的Python实现及优化
• 推荐系统 | 基础推荐模型 | 矩阵分解模型 | 隐语义模型 | PyTorch实现
• 推荐系统 | 基础推荐模型 | 逻辑回归模型 | LS-PLM | PyTorch实现
• 推荐系统 | 基础推荐模型 | 特征交叉 | FM | FFM | PyTorch实现
• 推荐系统 | 基础推荐模型 | GBDT+LR模型 | Python实现

---

一、协同过滤

  经典的协同过滤算法曾是推荐系统的首选模型，从物品相似度和用户相似度角度出发，协同过滤衍生出物品协同过滤(ltemCF) 和用户协同过滤 (UserCF) 两种算法。

1.什么是协同过滤？

  “协同过滤”，就是协同大家的反馈、评价和意见一起对海量的信息进行过滤，从中筛选出 标用户可能感兴趣的信息的推荐过程。这里用一个商品推荐的例子来说明协同过滤的推荐过程。

图中描述了一个电商网站场景下的协同过滤推荐过程，其推荐过程分为6步：

1. 电商网站的商品库里共有6件商品，分别是游戏机、某小说、 某杂志和某牌电视机
2. 用户X访问该电商网站，电商网站的推荐系统需要决定是否推荐电视机给用户。换言之，推荐系统需要预测用户是否喜欢该品牌的电视机。为了进行这项预测，可以利用的数据有用户对其他商品的历史评价数据，以及其他用户对这些商品的历史评价数据。可以看到，用户、商品和评价记录构成了带有标识的有向图。
3. 为便于计算，将有向图转换成矩阵的形式(被称为"共现矩阵" )，用户作为矩阵行坐标，商品作为列坐标，将"点赞"和"踩"的用户行为数据转换为矩阵中相应的元素值，这里将"点赞"的值设为1 ，将"踩"的值设为 -1 ，"没有数据"置为 0。(如果用户对商品有具体的评分，那么共现矩阵中的元素值可以取具体的评分值，没有数据时的默认评分也可以取评分的均值)
4. 生成共现矩阵之后，推荐问题就转换成了预测矩阵中问号元素的值的问题。 既然是"协同"过滤，用户理应考虑与自己兴趣相似的用户的意见。因此，预测的第一步就是找到与用户X兴趣最相似的n (Top n 用户，这里的n是一个超参数)个用户，然后综合相似用户对"电视机"的评价，得出用户 对"电视机"评价的预测。
5. 从共现矩阵中可知，用户B和用户C由于跟用户X的行向量近似，被选为 Top n (这里假设 n取2 )相似用户，由于用户B和用户C对"电视机"的评价都是负面的
6. )相似用户对"电视机"的评价是负面的，因此，可预测用户 对"电视机"的评价也是负面的。在实际的推荐过程中，推荐系统不会向用户 推荐"电视机"这一物品。

以上描述了协同过滤的算法流程，其中关于"用户相似度计算"及"最终结果的排序"过程是不严谨的，下面重点描述这两步的形式化定义。

2.用户相似度计算

  在协同过滤的过程中，用户相似度的计算是算法中最关键的一步。共现矩阵中的行向量代表相应用户的用户向量 那么，计算用户i和用户j的相似度问题，就是计算用户向量$i$和用户向量$j$ 之间的相似度，两个向量之间常用的相似度计算方法有如下几种：

• 余弦相似度
  余弦相似度( Cosine Similarity )衡量了用户向量$i$和用户向量$j$之间的向量夹角大小。显然，夹角越小，证明余弦相似度越大，两个用户越相似。其公式为:两个向量的乘积除以两个向量模的乘积。
  $$sim(i,j)=cos(i,j)=\frac{i\cdot j}{||i||\cdot ||j||}$$
• 皮尔逊相关系数
  相比余弦相似度，皮尔逊相关系数通过使用用户平均分对各独立评分进行修正，减小了用户评分偏置的影响。
  $$sim(i,j)=\frac{{\sum }_{p\in P}(R_{i,p}-{\overline{R}}_i)(R_{j,p}-{\overline{R}}_j)}{\sqrt[2]{{\sum }_{p\in P}(R_{i,p}-{\overline{R}}_i{)}^2}\sqrt[2]{{\sum }_{p\in P}(R_{j,p}-{\overline{R}}_j{)}^2}}$$
  其中，$R_{i,p}$代表用户$i$对物品 p p