阅读笔记：Item-based Collaborative Filtering Recommendation Algorithms

概要：
推荐系统通过信息获取技术解决在线的个人的消息、产品或者服务的推荐问题。这些系统，特别是基于k临近协同过滤算法，在网络上取得了广泛的成功。可用信息和访问人数的巨大增加成了推荐系统一个难题。基于商品的协同过滤推荐算法应运而生，通过分析用户特征矩阵计算推荐信息。本文主要分析不同的基于商品的推荐算法，还会同k临近过滤算法比较，同时提供比现存最好的基于用户算法更好的算法。
一、协同过滤算法分类
协同过滤算法主要分为：1.基于存储 2.基于模型
基于存储：它利用整个用户商品数据来产生预测，使用静态的方法找到相似用户，他们评价了不同的商品但是评价相似或者他们想买相似的商品，一旦形成相似组群，系统就会整合组群来产生预测。这种方法也被叫做临近算法或者基于用户的协同过滤算法，得到广泛的应用。
面临的问题：
1.稀疏问题：商品很多，即使是非常爱买东西的用户买的物品可能都不会超过总商品的1%。
2.性能：计算量随着用户和商品的增加而增加。因此数据量一大性能就降低。 
基于模型：它通过产生一个用户评分模型来推荐，这个算法采用了概率论的方法，通过用户给出的期望价值来给其他商品打分，这个模型通过机器学习算法比如贝叶斯网络, clustering, 和 rule-based等等实现的。贝叶斯网络模型为协同过滤算法提供了一个概率模型，Clustering模型把协同过滤算法当成一个分类问题，通过将相似者分组然后估计该客户在这个类别的可能性，通过这些来计算商品评分的可能性。rule-based通过共同购买的商品的相关度来产生基于商品相关度的推荐。
二、协同过滤算法用到的度量技术
商品相似度：
1.cosine相似度：只考虑item向量的点积
2.correlation-based相似度（Pearson相似度）：考虑了item的平均评分
3.adjusted cosine相似度：考虑了用户对item的平均评分
预测计算：
1.使用相似度加权平均
2.使用回归模型。使用加权平均时，采用的与预测物品i相似的物品 j的相似度Sim j* j的评分Rj。而使用回归模型时，它会计算出一个线性回归 f(j) =α*avg(Rj) + β + ξ，从而计算出一个不同于Rj的分值，然后再使用加权平均。
评价系统好坏的方式：
1.statistical accuracy metrics:MOE、RMSE
2.decision support accuracy metrics:reversal rate, weighted errors, ROC
三、结论
1.基于物品的算法预测结果要比基于用户的算法预测结果好
2.基本的基于物品的算法，模型大小越大，推荐质量越好，但是基于回归的物品算法，先是随着模型大小增加而增加，之后质量下降。
3.adjusted cosine similarity效果比较好

转载于:https://www.cnblogs.com/herumw/p/9466401.html