推荐系统1--协同过滤

一，协同过滤是什么？

基本思想是：根据用户历史喜好，以及与给用户兴趣相近的用户的选择，来给用户推荐物品
（基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测用户可能喜好的产品进行推荐）
一般仅仅依靠用户的行为数据（评价，购买，下载等），不依赖于物品自身特征或者用户的附加信息（年龄，性别等）

二，协同过滤的分类

• 基于用户的协同过滤算法（UserCF）：给用户推荐与他兴趣相似的其他用户喜欢的产品
• 基于物品的协同过滤算法（ItemCF）：给用户推荐与他之前喜欢的物品相似的物品

三，基于用户协同过滤应用场景

3.1 UserCF 基本思想
当一个用户A需要个性化推荐时，可以找到与该用户兴趣相似的用户。将这些用户喜欢，而A没有听说过的产品推荐给用户A
3.2 基本实现方法

给用户推荐物品的过程可以形象化为：预测一个用户对商品进行打分的任务
表格中5个用户对5件物品的打分情况，可以理解为用户对物品的喜欢程度（打分情况是怎么得到的？是根据用户的行为进行统计得到的。比如用户购买了某个物品，直接量化成5分，用户收藏了某个物品，量化为4分，用户看某个物品很久量化为3分等）
基于上面的数据，来预测Alice 对物品5的打分，一共需要以下几个步骤
1）计算Alice与用户1,2,3,4 的相似度。衡量标准：皮尔逊相关系数
目的：找到与Alice 相似度最高的top_N的用户

取top n 的用户，n=2,则与Alice最相近的两个用户是用户1，与Alice 的相似度是0.85；用户2，与Alice的相似度是0.7

2）根据相似度用户计算Alice 对物品5的最终得分
用户1对物品5评分是3，用户2对物品5评分是5，则Alice对物品5的最终得分是