推荐系统（二）-协同过滤

 

1.协同过滤(CF, Collaborative Filtering)也叫做基于近邻的推荐算法，主要思想是：利用已有的用户群过去的行为或者意见预测数据，根据和当前用户/当前物品比较相似的近邻数据来产生推荐结果，和KNN算法的思想比较类似。主要应用场景是在线零售系统，目的是进行商品促销和提高销售额。算法输入是一个用户-物品评分矩阵，输出的数据一般有两类：当前用户对物品喜欢和不喜欢程度的预测数值和n项的推荐物品的列表(不包含当前用户已经购买过的物品)。

主要/最基础的实现方式有：
• 基于用户的最近邻推荐
• 基于物品的最近邻推荐

 

2.问题：相似怎么定义

3.CF和KNN的区别：

• 输入数据不一样:KNN输入数据为样本的特征向量，CF为用户对物品的评分矩阵
• 相似度方法不一样：KNN计算样本特征向量的相似性；基于用户的CF是用两个用户对同一物品的评分为矩阵向量计算相似性，基于物品的CF是计算对于两个物品不同用户的评分为矩阵向量计算相似性
• 预测结构的产生方式不一样