推荐系统实践：基于用户的协同过滤算法原理及实现(含改进算法)

总体思路：

1.利用余弦相似度对两两用户计算相似度

   1.1 建立物品-用户倒排表

         左半部分为训练数据格式，ABCD等是用户，abc等是对应用户喜欢的物品

         右半部分物品-用户倒排表，如对于物品a，喜欢它的有用户A和B

       

   1.2 建立用户相似度矩阵

         利用物品-用户倒排表，构建用户相似度矩阵，其中的值，如 matrix[A][B]表示用户A和用户B共同喜欢的电影的数量。

        

   1.3 计算用户相似度

         遍历用户相似度矩阵中所有的两两用户，根据两两用户共同喜欢的电影的数量，计算用户相似度

         计算用户相似度的公式如下：

         其中表示用户u与v的相似度，作为matrix[u][v]的值，

         N(u)表示用户u增有过正反馈的物品集合，N(u)表示用户u增有过正反馈的物品集合。

            

例如：

          

          或使用改进的用户相似度计算公式：

          该公式惩罚了用户u和v共同喜欢的物品中热门物品对他们相似度的影响，以图书为例，如果两个用户都曾经买过《新华字典》，这丝毫不能说明他们的兴趣相似，因为绝大多数中国人小时候都买过《新华字典》。但如果两个用户都买过《数据挖掘导论》，那可以认为他们的兴趣比较相似，因为只有研究数据挖掘的人才会买这本书。换句话说，两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似度。

           i表示用户u和用户v都有过正反馈的物品集合，N(i)表示对物品i有过正反馈的用户数

           即分子部分表示   “用户u和v有正反馈的物品数”

           

 

 

2. 针对目标用户u，找到其最相似的K个用户，产生N个推荐

   K表示与用户u兴趣相似的用户个数，N表示为用户u推荐的物品数

   首先，对用户u，在用户相似度中找到与其相似度最高的K个用户

   利用如下的公式计算用户u对物品i的感兴趣程度p(u, i)：

   其中，S(u, k)包含和用户u兴趣最接近的K个用户，