3、前奏之基于物品的协同过滤算法：ItemsCF

两步走：

1. 计算物品间的相似度
2. 根据1和用户历史行为给用户生成推荐列表

一、计算物品间的相似度

1、相似度算法

    

     喜欢物品i的用户中有多少比例的用户也喜欢j；问题：j存在热门商品问题，因为j很流行，喜欢 j 的用户可能包含喜欢 i 的用户，则相似度基本是1，导致任何物品和热门物品的相似度都近似为1，这对于挖掘长尾的系统不好

    

　　惩罚 热门 j 的权重

   

　　惩罚活跃用户

 

2、计算商品的相似度矩阵

3、相似度矩阵归一化，提高准确率、多样性、覆盖率

     

 

二、根据商品相似度和用户历史行为，生成用户推荐列表

1、计算用户u对物品j的偏好值：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

     

1. 在相似度矩阵中按照相似度对物品 j 关联的物品字典降序排列
2. 取出前K个物品
3. 取出和用户 u 有过交互的商品的列表或集合
4. 取2和3的交集
5. 对相似度和偏好值累加求和

2、计算推荐列表

 

哈利波特问题

商品太热门，导致相似度近似于1，解决：

1、加大对热门商品惩罚

    

 

2、剔除太热门商品

转载于:https://www.cnblogs.com/lybpy/p/9822480.html