个性化推荐算法-协同过滤

协同过滤Collaborative filtering

ItemCF

基础公式

Sij:物品i & 物品j 的相似度。

分子:浏览过物品i 与 浏览过物品j的用户的交集。

分母:浏览过物品i 与 浏览过物品j的用户的并集。（惩罚热门物品的相似度）。

Puj: 推荐物品j给用户u的分值。

Sij:物品i & 物品j 的相似度。

ruj:用户u对物品j的评分

(一般取用户最近浏览过的物品i(5个左右), 每个物品取相似度最高的k个物品)

公式升级1：降低活跃用户在相似度计算中的权重

计算物品i和j相似度,分母不变,分子:用户u同时喜欢i和j,如果用户喜欢的物品越多,该用户对相似度计算贡献越小。(log在分母)

公式升级2: 用户在不同时间对物品兴趣的衰减

计算物品i和j相似度,分母不变,分子:随着时间贡献改变

 

UserCF

基础公式

Suv:用户u & 用户v的相似度。

分子:用户u & 用户v浏览过的物品的交集。

分母:用户u & 用户v浏览过的物品的并集。（惩罚活跃用户）。

 

 

Pui: 推荐物品i给用户u的分值。

Suv:用户u & 用户v的相似度。

rvi:用户v对物品i的评分

(取用户u最相近的k个用户计算，并且用户u对i物品没有浏览过)

公式升级1：降低热门物品在相似度计算中的权重

计算用户uv的相似度,分母不变,分子:ui表示物品i被用户浏览的个数。

公式升级2: 用户在不同时间对物品兴趣的衰减

计算物品i和j相似度,分母不变,分子:随着时间贡献改变

 

ItemCF VS UserCF

1.实时性:ItemCF用户有新行为一定会导致推荐结果发生改变

2.新用户/新物品的推荐:UserCF新用户在较少的行为下不能进行个性化推荐，因为Simuv是离线计算的。UserCF可以对新物品进行推荐，ItemCF不能。

3.推荐理由的可解释性:ItemCF好

适用场景：

1.性能:UserCF适合用户较少，ItemCF适合物品较少

2.个性:ItemCF好，长尾物品丰富