基于用户跟基于物品的协同过滤的区别

基于用户

---

基本思路：
当用户A需要个性化推荐的时候，可以先找到和他兴趣相似的用户群体G，然后把G中所包含的且A中没有的东西进行预测评估，最后根据预测评估值对用户A进行推荐。

---

方法：
1、找到与用户A兴趣相似的用户群体
2、对G中所包含的且A没有听说过或没有见过的进行预测分析。
3、根据预测分析值对A进行推荐

---

过程：

1、 发现兴趣相似的用户

通常用 Jaccard 公式或者余弦相似度计算两个用户之间的相似度。设 N(u) 为用户 u 喜欢的物品集合，N(v) 为用户 v 喜欢的物品集合，那么 u 和 v 的相似度是多少呢？

Jaccard公式：

余弦相似度：

假设目前共有4个用户： A、B、C、D；共有5个物品：a、b、c、d、e。用户与物品的关系（用户喜欢物品）如下图所示：

      如何一下子计算所有用户之间的相似度呢？为计算方便，通常首先需要建立“物品—用户”的倒排表，如下图所示：

      然后对于每个物品，喜欢他的用户，两两之间相同物品加1。例如喜欢物品 a 的用户有 A 和 B，那么在矩阵中他们两两加1。如下图所示：

      计算用户两两之间的相似度，上面的矩阵仅仅代表的是公式的分子部分。以余弦相似度为例，对上图进行进一步计算：

      到此，计算用户相似度就大功告成，可以很直观的找到与目标用户兴趣较相似的用户。

2.计算评分值和推荐物品

      首先需要从矩阵中找出与目标用户 u 最相似的 K 个用户，用集合 S(u, K) 表示，将 S 中用户喜欢的物品全部提取出来，并去除 u 已经喜欢的物品。对于每个候选物品 i ，用户 u 对它感兴趣的程度用如下公式计算：

     
其中 r_vi 表示用户 v 对 i 的喜欢程度，在本例中都是为 1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。Wuv表示用户u跟用户v之间的相似度

      举个例子，假设我们要给 A 推荐物品，选取 K = 3 个相似用户，相似用户则是：B、C、D，那么他们喜欢过并且 A 没有喜欢过的物品有：c、e，那么分别计算 p(A, c) 和 p(A, e)：

      看样子用户 A 对 c 和 e 的喜欢程度可能是一样的，在真实的推荐系统中，只要按得分排序，取前几个物品就可以了。

---

基于物品

---

基本思路：
我对自己历史行为中的物品 P 存在一个喜爱度（P+），然后我对自己喜欢的物品 T （i是其中的一个物品）也存在喜爱度 Ti ，S(i,k)是与物品 i 相似的 k 个物品的集合（j 是其中一个物品），Wij 表示物品 i 与物品 j 之间在的相似值，用 TI * Wij 可以得到物品T与 物品 j 的喜爱值（Mij） ，若 Mij 与 P+ 越接近说明我对物品 j 喜欢的可能性越大，因此优先推荐。

---

方法：
1、计算物品之间的相似度
2、根据物品的相似度和用户的历史行为给用户生成推荐列表

---

过程：
1、计算物品之间的相似度

其中，|N(i)|是喜欢物品i的用户数，|N(j)|是喜欢物品j的用户数，|N(i)&N(j)|是同时喜欢物品i和物品j的用户数。

2、根据物品的相似度和用户的历史行为给用户生成推荐列表

其中，Puj表示用户u对物品j的兴趣，N(u)表示用户喜欢的物品集合（i是该用户喜欢的某一个物品），S(i,k)表示和物品i最相似的K个物品集合（j是这个集合中的某一个物品），Wji表示物品j和物品i的相似度，Rui表示用户u对物品i的喜爱度。

该公式的含义是：和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名。