【第二节：零基础学习推荐系统系列之ItemCF的初识】CF家族另外一名成员：ItemCF

前言：

由于UserCF的局限性和瓶颈，亚马逊、奈飞等公司基本不使用UserCF算法，而是采用了另外一种ItemCF，也叫基于物品的协同过滤。

ItemCF：

该算法和UserCF大体一致，也是先得到用户-物品矩阵，以用户为行，物品为列，可得到m*n的矩阵向量。

物品i和物品j的相似度计算和上一篇文章描述的一致，最终可得到物品之间的相似度。

因为物品数量较少，所以计算效率也得到了提升，最终可以得到一个n*n的矩阵，代表了每个物品与其他物品之间两两的相似度。

应用：

①计算物品两两的之间的相似度，构建n*n维矩阵

②通过日志分析得到用户对物品集的喜爱【也叫用户正反馈物品集】

③得到每个用户正反馈物品的相似TopN物品【按照物品相似度排序】

③如果某个物品p在不单存在于一个正反馈物品的相似列表，那么该物品的最终相似度如下：

R(u,p)是该物品p最终的评分

H是该用户正反馈物品的集合

W(p,h)是物品p和物品h的相似度

R(u,h)是用户u对物品h的已有评分
$$R_u{,}_p=\sum {}_h{\in }_H(W_p{,}_h\cdot R_u{,}_h)$$

结束：

ItemCF节省了计算资源的同时，根据用户正反馈行为进行推荐用户喜欢的物品，目前基本都是基于ItemCF实现的协同过滤

本人也是小白，该开始学习推荐，大家有什么想法可以在评论区交流🌹🌹🌹