协同过滤算法

基于用户的协同过滤算法：

算法思想：

寻找与目标用户相似用户，然后将相似用户买过但目标用户没有买过的商品推荐给目标用户；

举个栗子：由于目标用户与其相似用户非常相似（比如大部分的考研学生都购买《肖秀荣八套卷》），现在我们的目标用户购买了大量的考研资料但还没有买《八套卷》，除了《八套卷》目标用户与考研学生相似度十分高，那么我们就可以认为目标用户也是考研学生，作为考研学生那么他肯定需要《八套卷》系统推荐《八套卷》给他，很大概率上他就会购买；

算法步骤：

1. 定义用户属性矩阵
2. 计算用户之间相似度
3. 基于相似度阈值确定相似用户
4. 根据相似用户购买行为给目标用户推荐

算法需要完成的任务：

计算用户相似度，找到相似邻居；

推断用户-项目矩阵中空格处的值（矩阵空格表示用户未购买过改商品或购买了该商品却没有评价），将相似用户评价不为空但目标用户评价为空的项目为目标用户推荐；

算法存在的问题：

1. 冷启动：对于一个新用户来说，由于没有购买过任何商品，很难找到相似用户进行推荐；
2. 稀疏数据：现实交易平台中，商品数量庞大而用户购买数量有限，且有效评价也十分有限，造成用户-项目矩阵非常稀疏；

目前的基本解决方案：

1. 使用皮尔逊相似度系数计算相似度；
2. 考虑共同打分物品的数目；
3. 对打分进行归一化处理，减少误差；
4. 设置相似度阈值，找出相似度在一定范围内的多个邻居进行综合推荐；

基于用户的协同过滤算法不普及的原因：

1. 稀疏数据导致计算量过于庞大；
2. 人的喜好和需求随着时间是一个不断变化的过程，基于用户的推荐不符合长期的推荐需求；

基于物品的协同过滤算法：

算法思想：

计算物品之间的相似度，如果用户买了物品A，物品A与物品B相似，那么基于物品的协同过滤算法就会将物品B推荐给该用户；

该方法很大程度上减少了计算量，基于物品的话还可以线下计算，线上推荐，极大的提升了计算性能；

举个栗子

还是考研的栗子，比如某考研同学购买了《肖秋荣八套卷》，《肖秀荣四套卷》与《八套卷》十分相似，那么该同学可能也想买《四套卷》，那么系统就会把《四套卷》推荐给该同学；

算法步骤：

1. 建立用户项目矩阵；
2. 计算用户评分平均值A；
3. 计算物品之间相似度（皮尔逊相似度系数）；
4. 预测用户可能对推荐物品的评分（累加正相关部分的相似性系数乘以评分并平均得出预测值），评分如果大于A进行推荐，否则不推荐；

算法存在的问题：

基于物品的推荐也存在冷启动的问题；

 

纵观上述两种算法，都存在冷启动的问题；

用户冷启动解决方案：

1. 引导用户表达属性，比如注册时引导用户标记喜欢的方向；
2. 充分利用现有的开放数据平台；
3. 推荐排行榜单，推荐大部分人喜欢的东西；

物品冷启动解决方案：

1. 打标签，帮助分类；
2. 主题模型分析；
3. 文本分析，分析其可能属于或相关的类别；

 

两种协同过滤算法的比较

	基于用户的协同过滤算法	基于物品的协同过滤算法
性能	适用于用户较少的情景下	适用于物品数量远小于用户数量的情景
领域	用户个性化需求较低时适用	适用于个性化推荐
实时性	当用户有了新行为，推荐系统不一定能实时反映更新	一旦用户有了新行为，系统可以及时更新推荐结果
冷启动	由于用户相似度是离线计算的，当新用户的进来之后系统的反映周期会很长； 新物品上线后，只要有一个用户对其产生行为，系统可以及时捕捉并更新；	新用户只要对一个物品发生行为，系统就可以灵敏捕捉并更新推荐结果；新物品的领启动相似； 但是无法在不离线更新相似度的情况下进行推荐；
推荐可信度	相似度高的用户不一定相似，所以可信度较低	根据用户历史推荐，可信度较高