推荐系统 网络阅读笔记

注：下文中，项目=物品=商品，且全部以项目代称，Am*n为已知矩阵，相似度计算可用余弦等

一、来自 推荐算法概览（http://geek.csdn.net/news/detail/91818）

这篇文章简要介绍了4种简单的推荐算法，用于以用户-项目矩阵为输入进行推荐

用户-项目矩阵为一个二维矩阵，一维代表不同用户，另一维代表不同项目，其中的值为用户对项目的评分，例如Am*n为该矩阵，其中aij为用户i对项目j的打分。若用户没有打分，此项空（大部分情况是空的，因为项目数量庞大）。我们要做的是根据已有的值预测空缺的值。

法一：基于用户的协同过滤（user-based collaboration）：A和B喜欢的大部分一样，那么AB相似，把B喜欢的推荐给A

对于一个用户，以他对个项目的打分作为特征，构成用户特征向量，即A的行向量。计算用户之间的相似度，可得到用户相似度矩阵Um*m。推荐时，针对一个用户P，先找到和他最相似的前k个用户，相似度分别为ki，用户P没评分过的项目，评分估计为

求和{ki*（用户k对该项目的评分）}/求和{ki}，若用户k也没评过某项目，则跳过这个用户，若这k个用户都没评过某项目，则无法预测评分。

法二：基于项目的协同过滤（item-based collaboration）：C1和C2被用户评价相似，那么把C2推荐给喜欢C1的人

对于一个项目，以他被用户打分作为特征，构成项目特征向量，即A的列向量。计算项目之间的相似度，可得到项目相似度矩阵In*n。推荐时，针对一个用户P没评分过的项目C，先找到和他最相似的前k个项目，相似度分别为ki，评分估计为

求和{ki*（用户P对该项目的评分）}/求和{ki}，若用户P没评过某项目，则跳过这个项目，若用户都没评过这k个项目，则无法预测评分。

法三：基于内容（content-based）：C1和C2内容相似，那么把C2推荐给喜欢C1的人

计算项目内容之间的相似度，和上面的“计算项目之间的相似度”不同，上面是根据用户的反馈计算相似度，这里是根据内容来计算，这里的相似更加本质，是物品本身相似，而不是用户评价相似。求出项目相似度之后，计算方法上面相同。

法四：混合方法（法一、二、三的加权混合）

现在我们有了法一、二、三对项目的评分预测，那么加权即可，若某方法没有对某项目的评分，则跳过这个方法。若三种方法评分分别为m1，m2，m3，权重为q1，q2，q3，则最终评分为：

{m1*q1+m2*q2+m3*q3}/（q1+q2+q3）

另：矩阵因式分解，预测A中的空缺，文中有提到，但是并没有讲