个性化推荐算法------基于内容的推荐和基于邻域的协同过滤

这篇文章主要讨论了个性推荐算法中，基于内容推荐和基于邻域的协同过滤推荐的分析比较。

数据集：用户对电影的历史评价记录，只有喜欢与不喜欢，喜欢用1表示，不喜欢用2表示，格式如下：

用户历史电影评分记录

用户id	电影1	电影2	电影3	电影… …
001	1	0	0	……
002	0	1	1	……
003	1	1	0	……
……	1	0	1	……

现要根据用户的历史电影评分记录，预测目标用户（为每个用户都要预测）会为目标电影评价多少分（目标电影为用户为看过的电影）。

一.  基于内容的推荐

    Content-Based属于传统领域的个性推荐算法，特点是只利用用户自身的历史行为进行预测。比如预测用户001喜不喜欢电影i，就是利用用户001的历史评分，通过找电影i和历史电影的相似性判断用户是否喜欢电影i，此过程和其他用户无关。其具体过程如下：

    1. 电影特征值抽取

  每个电影都应该有信息表，包括导演，演员，出品人等信息，那么我们就可以提取出一个能够表示电影的向量，该向量中元素就是从电影中抽取的特征值。

特征值抽取的难点在于如何把像导演，演员这些非结构化数据转换为结构化数据，使得可以进行衡量计算。

    2. 电影间相似度计算

利用提取的特征值组成的向量，计算目标电影i和该用户历史电影的相似度，常见计算方法包括：皮尔逊相关系数，cosine相似度，欧几里德距离等。

    3. TOPk选取

根据目标电影i和历史电影相似度进行排序，选取排名靠前的k个电影（通常k取奇数），汇总用户喜欢和不喜欢的个数，若喜欢大于不喜欢的个数，就表示用户对目标电影喜欢。

该方法的优点：

    1. 可以很好解决冷启动问题（出现项目列表中为出现的新电影）。当有新电影加入列表后，只要把其表示向量抽取出来，就可以和历史电影进行相似度计算，然后就可以得到计算结果。

    2. 完全是根据用户自身的行为来进行推荐，不会受到其他用户的干扰。可能出现其他用户刷单等情况，不符合实际。

该方法缺点：

    1. 无法为新用户推荐。因为推荐依据的都是用户历史行为数据。

    2.即使用户凭推荐选择电影，那么后续给其推荐的都是和他之前选择的电影相关的，不能体现根据其兴趣进行推荐。

   3. 特征值比较难选取。像电影的导演，演员这些非结构化数据如何转换为结构化数据是个难点。

二. 基于邻域的协同过滤推荐

    2.1 基于用户的协同过滤（UserCF）

    思想就是找用户间相似度，然后取与目标用户相似的topk个用户，找出他们对目标电影的评分，取加权均值得到目标用户对目标电影的评分。

    注意：计算用户相似度时，得找两个用户都看过的电影集合。

    2.2 基于项目的协同过滤 （ItemCF）

    找电影间相似度，排序取top1，那么认为用户对目标电影的评分就等价于对最相似电影的评分。

   注意：计算电影间相似度时，用户得对这两部电影都评价过。