推荐系统--协同过滤（Collaborative Filtering）

推荐系统–协同过滤

基本思想

根据用户 $u_i$ 之前的喜好以及与其兴趣相近的用户 $v_i$ 的喜好给当前用户 $u_i$ 进行推荐。

目前较为常用的协同过滤算法是基于邻域的方法，主要包括（我们对这两种算法单独进行描述，具体可见链接）：

• 基于用户的协同过滤算法（UserCF）：向用户推荐与其兴趣相近的用户喜欢的物品
• 基于物品的协同过滤算法（ItemCF）：向用户推荐和它之前喜欢的物品相近的物品

对于协同过滤，最重要的就是计算用户之间或物品之间的相似度，我们给出常用的相似性度量。

相似性度量

杰卡德（Jaccard）相似度

Jaccard 相似度表示用户 $u$ 和用户 $v$ 共同交互物品的个数（交集）与他们共交互物品个数（并集）的比值。用户 $u$ 和用户 $v$ 的相似度 $si{m}_{(u,v)}$ 可以表示为：
s i m ( u , v ) = ∣ N u ∩ N v ∣ ∣ N u ∪ N v ∣ sim_{(u,v)}=\frac{\vert N_u \cap N_v \vert}{\vert N_u \cup N_v \vert} sim(u,v)​=∣Nu​∪N