协同过滤

1.基于用户的协同过滤

1）把和目标用户兴趣相似的其他用户所喜欢的，且目标用户没听说过的物品推荐给目标用户。

第一个关键点：计算用户之间的相似度。

Jaccard 系数：

余弦相似度：

N(u)交N（v）

——————

|N(u)||N(v)|开根号

得到用户相似度以后，可以给目标用户推荐和他兴趣最相似的K个用户喜欢的物品。我们还可以得到目标用户u对物品i的感兴趣程度，用wuv 表示用户u和用户v之间的相似度，rvi表示用户v对i的感兴趣程度，

p(u,vi) = wuvrvi 求和。

2.基于物品的协同过滤，基本思想是给用户推荐那些和他们以前喜欢的物品相似的物品。

分为两步：计算物品之间的相似度

根据物品的相似度和用户的历史行为给用户生成推荐列表。

用户u对物品j的兴趣 = wji（物品j和物品i之间的相似度）rui(用户u对物品I的兴趣程度）。

根据计算出来的感兴趣程度，得到要推荐的N个推荐信息。

 

3.UserCF 着重反映的是和用户兴趣相似的小群体的热点，它的推荐更加社会化；ItemCF 着重于维护用户的历史兴趣，更加个性化。

新闻推荐比较注重热门程度和实效性。因为大多数用户都喜欢看热门新闻。技术上，新闻更新速度飞快，Item需要维护一张物品相关度的表，如果物品更新太快，这张表也需要更新很快，技术上难以实现。与新闻更新速度比起来，用户的更新速度较慢。