协同过滤（概念、相似度计算方法+例题）

最新推荐文章于 2025-02-27 00:16:50 发布
最新推荐文章于 2025-02-27 00:16:50 发布
阅读量1.3w 收藏 113
点赞数 25
文章标签： 推荐系统 协同过滤
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_52358403/article/details/112768902
版权

前前排先说一下：写完的东西一定记得保存！要不网页一关就啥都没了💔💔💔

协同过滤是一种推荐算法，它和传统的内容过滤不同；传统过滤方法可能会存在误差（比如把用户感兴趣的内容滤掉或者推荐给用户不喜欢的内容）。

协同过滤不仅通过分析用户的喜好（点击量、浏览页面），还可以扩大范围网，通过计算与该用户喜好相同的用户所喜欢的内容，通过后台计算，并把结果反馈给用户。

协同过滤的优点之一是它甚至可以代替用户直接给系统做出反馈，使操作更加智能化。

其中，协同过滤算法主要分为基于启发式和基于模型式两种。

而基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法和基于项目的协同过滤算法，这里主要讲基于用户的协同过滤算法

基于用户的协同过滤

因为这种计算总是和“邻居”相关，所以它又叫基于邻居的协同过滤。

1.1 方法步骤：

① 搜集用户信息，列出相关表格/矩阵。
② 按要求查找候选邻居，计算相似度。
③ 计算预测分值。

光看这三个步骤，估计也看不太明白，下边来细说一下。

第一条就不多说了，就是简单的信息搜查和信息规整，记得表格做的美观简明就ok。

第二条，候选邻居应该可以通过题目要求找到。（通俗的讲就是和你要预测的这个商品相关的用户，假设想预测你对商品A的期待值，

最低0.47元/天 解锁文章
基于用户的协同过滤算法（一）：余弦相似度
05-15 2082
基于用户的协同过滤算法是推荐系统中最古老的算法。可以不夸张地说，这个算法的诞生标志了推荐系统的诞生。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens用于新闻过滤。在此之后直到2000年，该算法都是推荐系统领域最著名的算法。本节将对该算法进行详细介绍，首先介绍最基础的算法，然后在此基础上提出不同的改进方法，并通过真实的数据集进行评测。
计算物品之间的相似度矩阵$$基于物品的协同过滤算法
Yuka_bro
04-25 3319
公式一: 构建数据集 import pandas as pd import numpy as np user_score_dict = pd.DataFrame({ "A": {"a": 3.0, "b": 4.0, "c": 0.0, "d": 3.5, "e": 0.0}, "B": {"a": 4.0, "b": 0.0, "c": 4.5, "d": 0.0, "e": 3.5}, "C": {"a": 0.0, "b"
大数据推荐算法之基于用户协同过滤推荐实例
07-13
大数据推荐算法之基于用户协同过滤推荐实例usercf,python版，用movielens数据作例子
（一）协同过滤——解读推荐系统经典算法
最新发布
weixin_43348955的博客
02-27 1955
协同过滤是一种利用群体行为数据的推荐算法，通过分析用户的历史行为（如评分、点击等），协同过滤通过分析用户行为数据，找到相似的用户（UserCF）并推荐他们喜欢的物品，或找到相似的物品（ItemCF）并推荐给喜欢过同类物品的用户，从而预测目标用户可能感兴趣的内容。其核心思想是“相似的用户喜欢相似的物品（UserCF）或“相似的物品被相似的用户喜欢（ItemCF），通过协同大家的反馈和意见，从海量信息中筛选出目标用户可能感兴趣的内容。
基于协同过滤的用户推荐的java例子
xhpscdx的专栏
10-01 1282
### 基于协同过滤的用户推荐的java例子 ##### 基于用户的协同过滤推荐算法 1. 基于用户的协同过滤推荐算法 2. 基于用户的协同过滤推荐算法通过寻找与目标用户具有相似评分的邻居用户， 通过查找邻居用户喜欢的项目，推测目标用户也具有相同的喜好。 基于用户的协同过滤推荐算法基本思想是：根据用户-项目评分矩阵查找当前用户的最近邻居， 利用最近邻居的评分来预测当前用户对项目的预测值，将评分最高的N个项目推荐给用户， 其中的项目可理解为系统处理的商品。其算法流程图如下图1所示。 3. 4. ![.
协同过滤算法（例题理解）
weixin_52093896的博客
04-24 4153
协同过滤算法是一种推荐系统算法，它利用用户对物品的评价数据来预测用户对未评价物品的喜好程度。。因此，协同过滤算法将用户之间的。该算法分为基于用户的协同过滤和基于物品的协同过滤两种类型。
经典算法题08-协同过滤算法
狮子座明仔知识集散场
06-21 1181
相信大家对如下的类别都很熟悉，很多网站都有类似如下的功能，“商品推荐”,”猜你喜欢“。在实体店中我们有导购来为我们服务，在网络上我们需要同样的一种替代物，如果简简单单的在数据库里面去捞，去比较，几乎是完成不了的,这时我们就需要一种协同推荐算法，来高效的推荐浏览者喜欢的商品。一：概念协同过滤算法(Collaborative Filtering)，SlopeOne的思想很简单，就是用均值化的思想来掩盖个
基于用户的协同过滤例题
lvky的博客
01-26 1588
基于用户的协同过滤 方法步骤： 1.收集用户信息 2.找邻居求相似度 3.预测分值 1.求相似度的方法 *皮尔逊相关系数的计算公式如下所示： i 表示项，例如商品；Iu 表示用户 u 评价的项集；Iv 表示用户 v 评价的项 集；ru,i 表示用户 u 对项 i 的评分；rv,i 表示用户 v 对项 i 的评分；表示用户 u 的平均评分；表示用户 v 的平均评分。 *余弦相似度的计算公式如下所示： 2.计算用户 u 对未评分商品的预测分值 另一个重要的环节就是计算用户 u 对未评分商品的预测分值。首先根据
基于用户的协同过滤算法（userCF）
jiangdongxiaobawang的博客
02-03 1万+
1.定义 userCF：当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。 基于用户的协同过滤算法主要包括两个步骤： 2.第一步：找到和目标用户兴趣相似的用户集合。 利用行为的相似度计算兴趣的相似度。给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v)为用户v曾经有过...
基于用户的协同过滤算法
wozhomouren的博客
01-31 395
基于用户的相关性计算就是计算不同用户对多个物品发生行为的相似程度，类似于把用户进行分组，认为相似的用户，感兴趣的物品相似，得到推荐结果，推荐结果群体化。
协同过滤相似度
gm0012的博客
04-09 310
使用不同相似度计算方式实现协同过滤 如果 买/没买 点/没点数据 0/1 适合使用杰卡德相似度 - from sklean.metrics import jaccard_similarity_score - jaccard_similarity_score(df['item A'],df['item B']) - 一般使用评分去做协同过滤 推荐使用皮尔逊相关系数 - 评分预测 基于用户和基于物品的协同过滤 严格来说 属于两种算法 ，实践中可以都做出来，对比效果，选择最靠谱的。 ...
算法篇--协同过滤
热门推荐
小强签名设计 的博客
08-04 2万+
文章目录一、长尾理论二、协同过滤介绍1.基于用户的协同过滤算法（User-based CF，简称UserCF） 一、长尾理论 wiki链接：https://wiki.mbalib.com/wiki/%E9%95%BF%E5%B0%BE%E7%90%86%E8%AE%BA   长尾头部的商品往往代表了绝大多数用户的需求而长尾中的商品往往代表了一小部分用户的个性化需求。因此如果要通过发掘长尾来提高销售额就必须充分研究用户的个性化兴趣。而这正是个性化推荐系统主要解决的问题。   推荐系统通过发掘用户的行为找到用户
协同过滤案例
qinglv1的博客
06-14 712
协同过滤算法
m0_37347812的博客
03-16 1576
协同过滤算法是推荐算法中比较经典的算法，常用的协同过滤算法有三种 1.基于用户的推荐 2.基于商品的推荐 3.基于模型的推荐 基于用户的推荐 基于用户的推荐其基本原理为相似用户可以理解为有相似的物品喜好。 其评价方法有欧式距离，余弦相似度评价方法，皮尔逊评价方法。 欧式距离为： 余弦相似度方法公式为： 皮尔逊相关系数： 具体举例来说： 下面所示为两个用户对两个商品的评分，每个用户可以用坐标来表示。 以此可以计算欧几里得数值，余弦相似度，皮尔逊相关系数 其中欧几里得系数越小说明两者越相似 余弦相似度越
协同过滤相似度计算
love_data_scientist的博客
08-27 2498
   (1)传统的杰卡德相似度计算公式如下，  其中A，B可以为不同用户的购物品类，         当用户量特别大的时候，导致计算复杂度比较高，因为直接进行了笛卡尔积运算，这时候可能没有办法进行运算。优化方法如下：      扫描整个品类，统计用户A和B共同出现的次数num_A_B，统计用户A和B出现的总次数num_A，num_B，Ａ和Ｂ的并集为num_A+num_B-num_A_B ...
协同过滤算法：介绍、公式及其应用
计算机源码之家的博客
06-23 856
协同过滤算法：介绍、公式及其应用协同过滤（Collaborative Filtering）是一种用于推荐系统的算法，通过分析用户与物品之间的历史行为数据来预测用户可能感兴趣的物品。协同过滤可以分为两类：基于用户的协同过滤和基于物品的协同过滤。基于用户的协同过滤假设相似的用户具有相似的兴趣，而基于物品的协同过滤假设用户对相似的物品有相似的评分。大家打卡 文章 更新 109/ 365天精彩专栏推荐订阅：在下方专栏👇🏻👇🏻👇🏻👇🏻Java精彩实战项目案例Java精彩新手项目案例。
协同过滤中的相似度计算三种方法
Jiashilin
09-10 4600
欧氏距离法 就是计算每两个点的距离，比如Nike和Sony的相似度。 数值越小，表示相似度越高。 def OsDistance(vector1, vector2): sqDiffVector = vector1-vector2 sqDiffVector=sqDiffVector**2 sqDistances = sqDiffVector.su...
相似度计算、协同过滤、推荐系统（一）
bigData1994pb的博客
05-29 2823
一、相似度计算方法 1.1欧几里得距离（欧氏距离） 最初用于计算欧几里德空间中两个点的距离，假设 x，y 是 n 维空间的两个点，它们之间的欧几里德距离是： 可以看出，当 n=2 时，欧几里德距离就是平面上两个点的距离。当用欧几里德距离表示相似度，一般采用以下公式进行转换：距离越小，相似度越大。 类名：EuclideanDistanceSimilarity 原理：利用欧式距离d定义的相似度s，s=1 / (1+d)。 范围：...
10.1、协同过滤实例
军军的专栏
02-11 3056
协同过滤实例 junjun 2016年2月11日 recommenderlab包提供了一个可以用评分数据和0-1数据来发展和测试推荐算法的框架。它提供了几种基础算法，并可利用注册机制允许用户使用自己的算法 recommender包的数据类型采用S4类构造，使用抽象的raringMatrix为评分数据提供接口。raringMatrix采用了很多类似矩阵对象的操作，如dim(),
自适应过滤法的例题，包括原数据和代码
09-22
自适应过滤算法是一种在线学习的机器学习技术，常用于实时推荐系统、信号处理等领域。它可以根据用户的反馈动态调整模型参数，提高预测精度。这里举一个简单的例子，我们以协同过滤的用户-商品评分预测为例： **原数据示例**: 假设有一个电影评分数据集，包含用户ID（u_id），电影ID（m_id）以及评分（rating）。例如： | u_id | m_id | rating | | --- | --- | ------ | | 1 | A01 | 4 | | 1 | A02 | 5 | | 2 | A01 | 3 | | 2 | A03 | 4 | **伪代码示例 (基于用户-用户相似度的自适应过滤)**: ```python class AdaptiveFilter: def __init__(self): self.user_preferences = {} # 用户偏好字典 self.similarity_matrix = {} # 相似度矩阵 def update(self, user_id, movie_id, rating): if user_id not in self.user_preferences: self.user_preferences[user_id] = {movie_id: rating} else: self.user_preferences[user_id][movie_id] = rating # 计算并更新相似度矩阵 for ref_user in self.user_preferences.keys(): if ref_user != user_id and movie_id in self.user_preferences[ref_user]: similarity = calculate_similarity(user_id, ref_user) if (user_id, ref_user) not in self.similarity_matrix: self.similarity_matrix[(user_id, ref_user)] = similarity elif similarity > self.similarity_matrix[(user_id, ref_user)]: self.similarity_matrix[(user_id, ref_user)] = similarity def predict(self, target_user_id, target_movie_id): similar_users = [user_id for user_id, _ in self.similarity_matrix[target_user_id].items() if rating] weighted_average_rating = sum([self.user_preferences[similar_user][target_movie_id] * sim for similar_user, sim in self.similarity_matrix[target_user_id].items()]) return weighted_average_rating / len(similar_users) # 使用示例 filter = AdaptiveFilter() filter.update(1, 'A01', 4) # 用户1给'A01'打分4 filter.predict(1, 'A03') # 预测用户1对'A03'的评分 ```
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值