集体智慧编程——协同过滤

 

目录

1. 基于用户的协同过滤

1.1 相似度评价值

1.1.1 欧几里得距离：

1.1.2 皮尔逊相关度：

1.1.3 曼哈顿距离算法

1.1.4 Jaccard系数

1.1.5 余弦相似度

1.2 推荐物品

2. 基于物品的协同过滤

3. 两种协同过滤比较

---

1. 基于用户的协同过滤

协同过滤算法通常是对一大群人进行搜索，并从中找出与我们品味想近的一小群人。算法会对这些人所偏爱对其他内容进行考查，并将他们组合起来构造出一个经过排名的推荐列表。 

1.1 相似度评价值

既然要找到品味方面的相似度，就需要将个体与其他人进行比较，并计算他们的相似度评价值；

1.1.1 欧几里得距离：

这个比较简单，采用欧几里得度量方法即可：

1.1.2 皮尔逊相关度：

该相关系统是判断两组数据与某一直线的拟合程度的一种度量。公式较复杂，皮尔逊相关度修正了夸大分值，它在数据不是很规范的情况下会倾向于给出更好的结果，如：影评者对影评的评价总是相对于平均水平偏离很大。

皮尔逊相关度评价算法首先会找出两位评论者都曾评价过的物品，然后计算两者的评分总和与平方和，并求得评分的成绩和。最后算法利用这些计算结果计算出皮尔逊相关系数。