java实现item-cf_Item-CF和User-CF算法训练过程优化的心得

〇、背景

数据集：MovieLens-1M(其中用户数6040，电影数3592，评分数1000000)；

工具：Java、MySQL、Redis；

主要参考资料：《推荐系统实践》项亮；

一、Item-CF算法描述

1.Item-CF算法思想

为当前用户推荐——与当前用户感兴趣物品相似的 且 当前用户没有接触的物品。

2.实现步骤

(1)计算物品之间的相似度；

(2)根据物品相似度和用户的行为历史，作出推荐。

二、User-CF算法描述

1.User-CF算法思想

先找到目标用户的相似用户(即与他有相同兴趣的其他用户)，然后把 相似用户喜欢的且 目标用户未作出行为的物品推荐给目标用户。

2.实现步骤

(1)计算用户兴趣的相似度；

(2)找到与当前用户兴趣相似的用户集合，从该集合的历史物品列表中作出推荐。

三、遇到的问题

基于物品/用户的协同过滤算法是实现推荐系统的基本算法，同时也算是学习推荐系统的入门。两个算法的思想简单明了，所涉及的知识点也比较容易理解，但实现过程中也会有一些坑，比如说——训练过程太耗时。

以Item-CF为例，在算法实现过程中，我先计算物品之间的相似度，并将结果以set的数据结构暂存到Redis(一个基于内存的键值对数据库)，方便使用。

而Item-CF算法最耗时的地方是 计算用户对某物品兴趣度的过程，公式如下：