协同过滤算法_推荐系统之基于用户的协同过滤算法UserCF

步骤有2：

1. 找到与目标用户T兴趣相似的用户集U。
2. 找到U中用户喜欢的，且T没听说过的物品，并将其推荐给T。

---

先计算用户之间的相似度。

设有用户u、v，N(u)为用户u产生过正反馈关系(浏览过、收藏关注过、加入购物车过、点赞过、购买过等等)的物品集，N(v)亦如是。

相似度计算公式有2：

• Jaccard相似系数：

Jaccard相似系数

即两用户物品集的交集与并集绝对值之比。

• 余弦相似系数：

余弦相似系数

设用户ABCD对a~f物品有过关联，如下：

A：acdB：cefC：abD：bf

则A与BCD的相似度计算如下(绝对值符号就不写出来了)：

W(A,B)={a,c,d}∩{c,e,f}/√{a,c,d}*{c,e,f}=1/3W(A,C)=1/√6W(A,D)=0

注意以上公式，当用户量很大的时候，对两两用户都要进行计算，且涉及到除法、开方运算，是比较耗费计算及性能的。

如果我们先将N(u)∩N(V)=0，即并无共同感兴趣物品的用户排除掉，则会大大节省运算时间，如上例中的A、D用户。

---

在这里要构建一个物品-用户倒排表，在基于此构建用户相似度矩阵W。

步骤如下：

设用户ABCD、物品abcdef。

用户-物品关系：

A:a,c,d,eB:c,e,fC:a,b,dD:b,e,f

物品-用户关系：

a:A,Bb:C,Dc:A,Bd:A,Ce:A,B,Df:B,D

用户相似度矩阵：

用户相似度矩阵-分子

以上是分子部分，最终结果如下：

用户相似度矩阵

基于以上数据，我们可以根据下面的公式求出用户对物品感兴趣的程度：

UserCF

P(u,i)是用户u对物品i的感兴趣程度。S(u,K)是与用户u相似度最高的K个用户集。N(i)是与i有过关联的用户集。W(uv)是用户u、v相似度。r(vi)是用户v对物品i感兴趣的程度。例如购买过代表10，加入购物车8，收藏6，点赞4，浏览1等等。也可以是用户对物品的评分，比如电影评分等。本文为了描述简单，统一设为1。

下面我们计算A对其他物品感兴趣的程度。

1、根据已知条件，我们得出未与A发生联系的物品有b、f。

2、设K=3。选取与物品b、f有过联系的用户集中相似度最高的3个用户。在本例中，其实只有2个用户。

3、根据公式可计算：

P(A,b)=W(AC)+W(AD)=1/√3P(A,f)=W(AB)+W(AD)=2/√3

可得相比较物品b，A会对f更感兴趣。

---

接下来谈谈改进。

整个算法最关键的就是要计算用户的相似度。两用户产生联系的相同物品越多，二人的相似度就越高，但实际中并非如此，举例如下。

有用户ABC，分别购买了：

A：10件婴儿用品，3件手办模型。B：10件婴儿用品，3件汽车用品。C：5件手办模型。

作为人类来看，立刻得知AC兴趣相似，AB虽然都买了婴儿用品，只说明二人可能都有孩子，并不代表兴趣相似。

但在算法中，因为相同物品数量较多，计算下来AB相似度较高。为了将两用户共同物品列表中，热门物品对相似度的影响降低，公式有了如下改进：

用户相似度公式

i是用户u、v有过共同关联的物品。N(i)是与物品i有过关联的用户数。

下期讲基于物品的协同过滤算法ItemCF。