推荐系统——2.1协同过滤

本节内容提要

本章节可分为四部分。

1. 介绍了两种重要的协同过滤方法，具体内容包括它们的假设前提、实践思路、相关要点，并简要地提到了混合协同过滤。

   • 基于用户的协同过滤（User-based CF）
   • 基于项目的协同过滤（Item-based CF）

2. 提到了偏好反馈问题。

3. 第三部分介绍了除去前文提到的两种CF方法，还有不少基于模型的方法，并在该部分简单地列举了一些。

   • 关联规则挖掘（association rule mining）
   • 概率方法（probabilistic methods）
   • 基于集群的方法（Cluster-based approach）
   • SlopeOne算法
   • RF-Rec算法

4. 评价了协同过滤的优缺点和安全性能。

协同过滤（Collaborative Filtering/CF）

最突出的推荐系统解决方法

• 可应用于众多领域，适用范围广
• 容易理解并且有大量算法存在
• 被大型电子商务网站应用

基本假设和理念

• 用户对目录项进行评分（隐式地或者显式地）。
• 如果一些用户在过去有相似的偏好，那他们在将来也会有相似的偏好。
• 用户的偏好相对于时间有稳定性和可持续性。

输入和输出

• 输入：给定的“用户-项目评分”矩阵
• 输出类型：
  • 预测当前用户喜欢或不喜欢某个特定项目的程度，也就是用户的评分预测。
  • 给出受推荐项目的Top-N列表，也就是项目排名。

基于用户的协同过滤（User-based CF）

案例分析

1. 给出如下的用户评分表，预测Alice对Item5的评分。
   

2. 基本假设：如果一些用户在过去有相似的偏好，那他们在将来也会有相似的偏好。

3. 思路：找一群曾经有着和A相同偏好并且评估过项目i的用户，根据他们评分的平均情况预测A是否会喜欢项目i。

4. 需要思考的关键性问题：

   1. 怎样衡量用户之间的相似度？
   2. 我们需要考虑多少个相似用户？
   3. 我们怎样根据用户评分生成一个预测？

用户相似度衡量

一种比较流行的衡量方法是皮尔逊相关系数（Pearson Correlation Coefficient/PCC）。
其中，$a$和$b$是待比较的两个用户，$r_{a,p}$是用户$a$对项目$p$的评分，集合$P$是用户$a$和用户$b$共同评分过的产品集，$\overline{r_a}$是用户$a$对$P$中所有项目的平均评分。用户相似度的取值范围是[-1,1]。

选择合适的相似用户

方法1：设置相似度阈值。只有高于阈值的相似用户才会被选择。

方法2：Top-N相似用户。

1. 获取所有与用户u相似度不等于0的用户集合。
2. 获取所有对预测项目给出过评分的用户集合。
3. 在以上两个集合中获取j个与用户u相似度最高的用户的集合，用$N_u^j$表示。

进行预测

一种常用的预测函数如下图。其中， p r e d ( u