一文搞懂基于用户的协同过滤推荐算法

        本文针对无上下文信息的隐性反馈数据集（每一条行为记录仅仅包含用户ID和物品ID），介绍基于用户的协同过滤算法原理。
        基于用户的协同过滤推荐算法本质：找到和待推荐用户相似的用户群，推进该用户群感兴趣且待推荐用户没购买过的物品。例如下图中， 用户a购买过物品A、C，用户c购买过物品A、C、D ，则用户a和用户c比较相似，可以考虑把物品D推荐给用户a。

基本步骤：

1. 找到和待推荐用户相似的用户群；
2. 找到这个用户群中用户感兴趣的，且待推荐用户没购买过的物品。

为便于理解，本文后面示例的计算中使用下面数据： 第一列为索引，userId是用户标识，itemsId表是用户购买过的物品ID。

1. 用户相似度计算

        给定用户$u$和用户$v$，令$N(u)$表示用户$u$点击过的物品集合，令$N(v)$为用户$v$点击过的物品集合

余弦相似度
$$W_{u,v}=\frac{|N(u)\bigcap N(v)|}{\sqrt{|N(u)||N(v)|}}$$        其中$|\ast |$表示取模，即物品的个数。

Jaccard公式
W u , v = ∣ N ( u ) ⋂ N ( v ) ∣ ∣ N ( u )