协同过滤入门

概念

协同指的的是运用群体行为找到用户可能希望的物品
过滤指的是丢弃掉一些不值得给用户推荐的物品，如评分较低的或者用户已经点击购买过的物品。

协同过滤的思想是通过群体的行为来找到某种相似性(比如用户之间的相似性或者物品之间的相似性)，通过这种相似性来为用户做推荐，简单来讲就是人以类聚，物以群分 。

协同过滤类型

协同过滤推荐一般分为三种类型

 1.基于用户的的协同过滤[UserCF]
 2.基于物品的协同过滤[ItemCF] 
 3.基于模型的协同过滤[ModelCF] 

基于用户 (UserBased) 的协同

表达的含义是将与一个用户相似的用户喜欢的物品推荐给这个用户。这里需要做的是首先找到和一个用户相似的用户，然后找到相似用户喜欢的物品 (可以理解成发生过特定行为或者评分高的物品) ，预测这个用户对这些物品的评分，找到评分高的若干物品推给该用户就可以了。

基于物品 (ItemBased) 的协同

表达的含义是找到与一个用户喜欢的物品 (可以理解成发生过特定行为或者评分高的物品) 相似的物品推荐给这个用户。 这里需要做的是首先找到一个物品的相似物品，然后将这些相似的物品打分排序，找到评分高的若干物品推荐给用户就可以了。

基于模型 (ModelBased) 的协同

这个相对就比较复杂了，也是目前较为主流的协同过滤算法，其相关算法完全可以写本书了。我们这里对其思想做一个了解即可。

假设我们有N个用户，M个物品，只有部分用户和部分物品之间是有联系的

(这一点很容易想到，比如用户不能看完我们文章库的所有内容，用户也不可能对商品库的所有商品都有收藏等购买行为)

其他部分都是空白 (这里我们把N用户和M个物品，看成一个N*M的矩阵) ，我们可以想象这个矩阵是一个稀疏矩阵，大部分是空白的，我们现在要做的就是，用这些矩阵中已有的数据，使用某些算法去将空白区域的值给填补上 (就像数独游戏一样，已知一些数据，填补空白数据) ，这样我们就相当于有了每一个用户对每一个物品数据，我们按照这个数据排序，推荐TOPN的物品给用户就可以了。这就是基于模型协同过滤的核心思想。想要给空白处填补数据可以使用很多种算法，比如 矩阵分解，分类，回归，神经网络等等 。

参考

推荐算法–协同过滤 - 简书