协同过滤算法

小白一枚，网上看到一篇挺详细的文章，mark一下。

一、两种协同过滤算法
协同过滤算法分基于用户（UBCF）和基于物品（IBCF）两种，主要思路是根据对用户历史行为进行评分，寻找相似用户和相似物品，从而做出推荐。
详细地说，关于UBCF，即是根据不同用户对相同若干商品的“喜好”（通过浏览记录、购买记录、收藏等行为进行评分），得出用户之间的相似度，从而根据某用户相似用户的选择对其做出成功率更高的推荐。【此处主要问题在于如何进行评分才能最合适效率最高，每种行为分值占比多少，这点基于不同的目的评分方式也应不一样（小白观点）】
关于IBCF，类似UBCF，是根据相同若干用户对不同商品的评分得出商品间的相似度。CF分为两个过程，一个为预测过程，另一个为推荐过程。预测过程是预测用户对没有购买过的物品的可能打分值，推荐是根据预测阶段的结果推荐用户最可能喜欢的一个或Top-N个物品。
在数据比较稀疏时，推荐的准确性不高；数据量很大时，推荐的效率很低；某个商品没有评分时，会出现不被推荐的情况。这些问题后续学习~
二、具体实现
CF的主要方法有欧几里得距离评价和皮尔逊相关度评价，前者容易理解，后者更实用。
在UBCF中：
欧几里得距离评价，即以不同商品为坐标轴，用户对不同商品的评分确定了用户在坐标系内的位置，位置越近的用户相似度越高。
皮尔逊相关度评价，即通过计算皮尔逊相关系数，得出用户之间的相似度。在对某用户进行推荐时，选择未购买过且相似用户评分较高的商品，并用与相似用户间的相似度进行加权，选择评分最高的商品推荐。
IBCF类似。
关于相似度计算等，原文都写得很详细。
点此阅读原文