Slope one算法介绍

参考文献
Slope One Predictors for Online Rating-Based Collaborative Filtering

其是一种推荐算法，属于Rating-based collaborative filtering领域，即是预测某个user对于某个给定的item的评分，本质上是一种协同过滤算法。该算法易于实现，可以实时动态更新，响应快，给出的结果也足够好，可适用于冷启动用户，方便部署。Slope one算法可以直译为斜率为一，因据其作者认为，该算法可以近似用f(x)=x+b这个函数式来表示。具体如何，下面分解。
该算法的motivation是基于商品的’popularity differential’,即商品间受欢迎度的差异，念来十分拗口，但想法十分朴素。

如上图所示，来做个小学数学题，试想有商品ItemI,ItemJ,User A对二者的评分分别是1,1.5,已知User B 对ItemI 的评分是2，试预测UserB 对ItemJ的评分，那么我们可以这么认为，商品间受欢迎的差异从某种程度上是固定的，打个不恰当的比方，所有人都更喜欢美女，而相较而言不那么喜欢长相奇怪的，但不同人间是有差异的，某男A资深直男癌，眼光比较高，对林志玲评分为3，村东头的翠花评分为1，某男B死肥宅，是个女的都可以接受，对村东头的翠花评分都到了3，对林志玲更是疯狂打出了5分的最高分，那么注意了现在，男A和男B的喜好眼光都是不同的，但对于林志玲和翠花的打分的分数的差却是一样的，3-1=5-3，都更喜欢林志玲而不是翠花，喜欢的程度差是一定的，这就是slope one算法的精髓,据这样的思考方式，很容易就能求出UserB 对ItemJ的评分2+（1.5-1）=2.5
理解了上面那个例子就相当于理解了slope one算法的全部，剩下的就是据此朴素想法上的一些修补而产生的一些变体。
接着来比较一下slope one算法跟其它算法，试看看相对优劣。
1 Per user average: 在预测一个对新item的评分时，将用户过去对所有item的评分加以平均，简单粗暴，效果随缘。
2bias from mean

P(u)_i是用户u对商品i的评分，S_i（X）是有对i作过评分的用户的集合，v_i是用户v对商品i的评分,其余两个上面带一横的分别是用户u,v以往做过的评分的均值，card简单来说就是其内集合的元素项的个数，整体式子不难理解，含义就是bias from mean
3adjusted cosine item-based


整个式子看上去较为复杂，我们一步一步来看，S_i,j(X)是有对i,j都作过评分的用户的集合，其它符号与上面是一样的含义，sim_i,j整体是计算商品i,j间的相似度，根据这相似度的不同衡量方式可以衍生出不同的算法，然后第二个式子的P(u)_i即用户u对商品i的评分便可以根据该用户对其它商品的评分进行参考（根据商品间的相似度作为权重）计算，当然两商品间越相似，用户对两商品的评分也越相似。Alpha，Belta在这里就当做某种校正因子不必深究。
4the pearson reference scheme
该算法属于memory-based,简单来说就是很耗内存，lazy learning,事先不做或很少做准备，等开始使用的时候才从内存（已经存了大量数据）中提出一堆数据开始计算并返回结果。

式子又比较复杂，慢慢来看，Gamma(u,v)其实就是用户u,v间的相似度，所以这其实就是在上面bias from mean算法的基础上引入用户间的相似度作为权重而已
5the slope one
终于到了我们的主角出场，


呃，跟我们上面的朴素想法不同，这式子看着也挺复杂的，慢慢来看，dev_j,i就是我们前面说过的不同商品i,j间受欢迎度的差异，第一个式子就是简单的对不同人取个均值，第二个式子就是简单的对不同物再取个均值，最后得到的p(u)_j就是用户u对商品j的评分，果然是一个朴素的想法
6the weighted slope one scheme

这就是slope one的一个变体，如其名所示，就是多考虑了下某方面的权重，那么这个权重究竟是哪方面的？从式子来看，就是那个c_j,i,那么这个c_j,i是什么？是card(S_j,i(x)),S_j,i(x)是什么，上面已经说过，其是有对i,j都作过评分的用户的集合，card(S_j,i(x))就是对i,j都作过评分的用户的个数，通常来说，若更多的人对某商品i,j对都作过评分，其相应的统计均值更接近均衡，更可靠，所以相应的权重更高也容易理解。
7the bi-polar slope one scheme

这又是对slope one的另一个变体，对比本体，我们发现，dev部分就是在左上角多了个like,对应的，这里应该还有个dislike,这里略去，领会精神，知道还存在对应的另一个就好。其实好好看上面的式子，会发现，其实这个式子的各个组成部分在上面算法的介绍中都出现过。这里只要详细介绍下S^like_j,i(X)就好，S_j,i(X)表示是有对i,j都作过评分的用户的集合，S^like_j,i(X)其实就是有对i,j都作过评分，而且都表示喜欢商品i,j的用户的集合,dislike与此相反，不必赘述。那么什么叫用户表示喜欢某商品呢，其实就是对某商品的评分高于其对以往所有商品评分的均值，毕竟这世界同时存在着直男癌和死肥宅，直男癌对所有商品评分都低，死肥宅对所有商品评分都高，只有取他们自己评分的均值才能知道到底什么才是他们的真爱。接下来我们来分析下为什么这么做。我们发现，对比S_j,i(X)，S^like_j,i(X)和S^dislike_j,i(X)对集合中的元素有更严格的定义，如果有某对商品i,j，某用户a表示喜欢i却不喜欢j,则S^like_j,i(X)和S^dislike_j,i(X)中都将不包含某用户a这个元素，跟S_j,i(X)相比，则对应的这条信息记录就从此在式子里消失不见了，不再参与最后p(u)的计算,第一直觉是，有些数据不见了，那么根据大数据时代的基本定律，数据即石油，该算法应该是比本体slope one更差才对，但结果是更好，为什么呢？其实本质是这里做了个过滤，某用户a喜欢i却不喜欢j,与同时喜欢i,j或同时不喜欢i,j的人本质就不是同类型的人，我们预测评分，用协同过滤，要做参考当然是参考同类型的人比较好，那些不同类型的人带入的数据其实只带来了干扰，过滤掉他们当然就带来更好的效果，所以大数据时代的数据即石油，应该修正为质量高的数据才为石油更好些。

最后是各个算法间预测的比较，上面那个数值越低越好。可以看到，pearson预测性能表现也不错，但论对内存的消耗，响应速度，对冷启动用户的支持，slope one类型的算法就胜过太多了。