基于协同过滤的推荐

推荐系统的分类：

1. 基于协同过滤（Collaborative Filtering）的推荐系统
   （1）基于数据统计（记忆）的CF（Neighborhood-Based）
   （2）基于模型（参数学习）的CF（Model-Based）
2. 基于内容(Content-Based)的推荐系统
3. 混合推荐系统（CF+Content-Based）

推荐方法：使用行为数据，利用集体智慧进行推荐

• 基于用户的协同过滤（U2U2I）：和你兴趣相似的人也喜欢XXX

 如图所示，用户1,2,4，都喜欢Item1和Item2，所以称他们为兴趣相同的用户，又因为用户2和用户4都喜欢Item4，所以把Item4推荐给用户1。

• 基于物品的协同过滤（U2I2I）：喜欢这个物品的人也喜欢XXX

 

如图所示，喜欢Item2的用户也喜欢Item3，因为用户1喜欢Item1，所以推荐Item3给用户1（红线）。

 

举例：

	I1	I2	I3	I4	I5	I6	I7
A	4			5	1
B	5	5	4
C				2	4	5
D		3					3

步骤1：搜索最相似用户（A用户表示待推荐用户）

对于相似度的计算方法有很多可参照相似度计算方法，这里采用三种相似度计算的方法：

（1）Jaccard相似度(缺点：没有考虑评分)
         sim(A,B) = 1/5     sim(A,C) = 2/4 = 1/2
         sim(A,B) < sim(A,C)
（2）余弦相似度(缺点：缺失值默认为0)
         

易得sim(A,B) > sim(A,C)。

（3）皮尔逊相似度（默认缺失值为平均值）

sim(A,B) = 0.09     sim(A,C) = -0.56（负号表示推荐的意义不大）
sim(A,B) > sim(A,C)

步骤2：计算用户user和item的相似度
       方法1：直接平均  sim(A,I5) = (3+5)/2 = 4
       方法2：加权平均  sim(A,I5) = (3x0.38 + 5*0.32)/(0.38+0.32)