协同过滤算法

协同算法

转载：学习视频链接

User CF

• 建立并计算用户相似度矩阵，给用户推荐和他相似的K个用户喜欢的物品
• 适用于用户比较稳定，用户更新慢于item的场景，比如新闻网站
• 优点：推荐有惊喜
• 缺点：基于用户的协同过滤很难对推荐结果做出解释
• 基于用户的协同过滤算法主要包括两个步骤
  • 找到和目标用户兴趣相似的用户集合
  • 找到集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户
• 冷启动：UserCF算法对物品冷启动的问题并不敏感，因为，UserCF在给用户进行推荐时，会首先找到和用户兴趣相似的一群用户，然后给用户推荐这一群用户喜欢的物品。

用户/物品	物品A	物品B	物品C	物品D
用户A	V		V	推荐
用户B		V
用户C	V		V	V

`
这里介绍以下协同算法中的基于用户的协同过滤，基于用户的协同过滤是目的是什么呢？就是建立并计算用户相似度矩阵，从而给用户推荐和他相似的K个用户喜欢的物品，比如，我喜欢看完美世界漫画，你也喜欢看这个漫画。我还喜欢看斗罗大陆漫画，那么算法分析后可能就会觉得你可能也会喜欢看斗罗大陆这个漫画。但是也可能出现偏个性化的推荐，例如你喜欢的某些花里胡哨的东西，我可能并不感兴趣，这样的话，如果只依据某一个人的喜好来推荐，可能召回率就相当的低了。所以要经过AB测试，通过测试K个用户来发现，在根据N个用户的洗好来推荐给我喜好的时候达到最高的召回率。
当然，这种推荐算法是有惊喜的。我们因为共同爱好漫画而被划分为相似用户，你的其他洗好也可能会推荐给我，这样的话，我可能就会发现有些喜好是我之前不太感兴趣的，但是现在有兴趣了解他。
正如推荐有惊喜，可能推荐的也不是惊喜。有可能你的某些偏好，我非常不感兴趣。这也就是很难对基于用户的系统过滤做出解释。优点与缺点并存。

Item CF

• 基于物品的协同过滤

• 通过分析用户的行为记录物品之间的相似度，并不利用物品的内容属性计算物品之间的相似度，中间的桥梁也是用户

• 适用于电商类的推荐系统

• 优点：可以利用用户的历史行为给推荐结果提供推荐解释

• 基于物品的协同过滤算法主要分为两部：

  • 计算物品之间的相似度
  • 根据物品的相似度和用户历史行为给用户生成推荐列表

• 冷启动：对于ItemCF算法来说，物品冷启动就是一个严重的问题。因为ItemCF算法的原理是给用户推荐和他之前喜欢物品相似的物品。ItemCF算法会每隔一段时间利用用户行为计算物品相似度表(一般一天计算一次)，在线服务时ItemCF算法会将之前计算好的物品相关度矩阵放在内存中。

  • 当新物品加入时，内存中的物品相关表不会存在这个物品，从而Item CF算法无法推荐新的物品。解决这一问题的办法是频繁更新物品相似度表，但基于用户行为计算物品相似度是非常耗时的，主要原因是用户行为日志非常庞大，而且，新物品如果不展示给用户，用户就无法对他产生行为，通过行为日志计算是计算不出包含新物品的相关矩阵的。
  • 为此，我们只能利用物品的内容信息计算物品相关表，并且频繁的更新 相关表(如半小时计算一次)

• 用户/物品	物品A	物品B	物品C
  用户A	V		V
  用户B	V	V	V
  用户C	V		推荐