推荐系统算法

常用的推荐任务分为两种，一种是评分预测，而另一种是 Top-N 推 荐。评分预测就是给那些没有评分的项目进行评分，主要依据目标用户的历史评 分行为以及相似度计算来预测目标项目的分数。 Top-N 推荐就是根据用户的偏好给 目标用户推荐其可能喜欢的 N 件物品。

1.协同过滤算法

协同过滤算法可分为基于用户的协同过滤（User-based CF）、基于物品的系统 过滤（Item-based CF）

User-based CF 在推荐时首先会根据用户的行为记录找到相似的用户。例如，在电影推荐方面，如果 A 和 B 在对电影类型的喜好相同或 是相近，那么把 A 喜欢的电影推荐给 B 是有意义的。

首先需要计算两个用户的相似度 ，对于评分预测往往采用皮尔逊积矩相关系数来计算。

用户之间的相似度计算还可以采用 Jaccard 公式

给定两个集合A,B jaccard 系数定义为A与B交集的大小与并集大小的比值，jaccard值越大说明相似度越高

计算相似度在工程应用中这个公式还比较粗糙，例如，小时候我 们每个人基本都会购买《新华字典》，但并不能说明他们的购买兴趣相似，但是如 果两个人都购买了《推荐系统》，那么可以确定他们的购买兴趣是比较相似的，应 为只有研究推荐系统的人才会购买这本书，换句话说，两个用户对冷门物品采取 过相同的行为更能说明他们购买兴趣的相似度。

缩减了用户u和用户v共同兴趣列表中热门物品对他们相似度的影响。

基于项目的（Item-based CF）协同过滤算法的推荐  

计算物品与物品之间的相似度