【推荐系统】{1} —— 基于用户的协同过滤算法

协同过滤（英语：Collaborative Filtering，简称CF），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人透过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。——维基百科

---

基于用户的协同过滤算法（简称UserCF）

在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。

举个例子：

用户/物品	物品A	物品B	物品C	物品D
用户A	√		√	推荐给用户A
用户B		√
用户C	√		√	√

要实现基于用户的协同过滤，需要的步骤：

1. 收集用户偏好
2. 通过计算相似度找到与目标用户相似的用户
3. 将相似用户喜欢的、且目标用户没有听说过的物品推荐给目标用户

---

一、计算两个用户的兴趣相似度

其中关键的一步就是计算两个用户的兴趣相似度。

协同过滤算法主要利用行为的相似度计算兴趣的相似度。给定用户 $u$ 和用户 $v$ ，令 $N(u)$ 表示用户 $u$ 曾经有过正反馈的物品集合，令 $N(v)$ 为用户 $v$ 曾经有过正反馈的物品集合。则可以通过计算余弦相似度简单地计算 $u$ 和 $v$ 的兴趣相似度：$$w_{uv}=\frac{|N(u)\cap N(v)|}{\sqrt{|N(u)\cup N(v)|}}$$

---

例子：

图片来源

如图，$A$、$B$、$C$、$D$ 为用户，$a$、$b$、$c$、$d$、$e$ 为物品。

利用余弦相似度公式计算他们之间的兴趣相似度分别为： w A B = ∣ { a , b , d } ∩ { a , c } ∣ ∣ { a , b , d } ∣    ∣ { a , c } ∣ = 1 6 w_{AB} = \frac{|{\{ a,b,d\}}\cap\{ {a,c}\}|}{\sqrt{|\{a,b,d\}|\,\,|\{a,c\}}|}=\frac{1}{\sqrt{6}} wAB​=∣{ a,b,d}∣∣{ a,c} ​∣∣{ a,b,d}∩{ a,c}∣​=6 ​1​

$$w_{AC}=$$