本文深入探讨了User-Based Collaborative Filter（UserCF）算法，阐述了其工作原理，包括找到相似用户、推荐物品的过程。通过实例介绍了用户兴趣相似度的计算，如Jaccard相似系数和余弦相似度，并展示了如何利用这些相似度计算为用户推荐物品。
大家好，今天我们要讨论的主题是，基于用户的协同过滤，UserCF算法。
希望这篇文章，能帮助大家，理解协同过滤、相似度计算、推荐算法的工作原理等知识点。
基于用户的协同过滤算法
UserCF的全称是User-Based Collaborative Filter，使用了朴素的“人以群分”的思想。
该算法的原理是先“找到相似同户”，再“找到他们喜欢的物品”。例如，用户A和用户B是相似的，我们现在要给用户A推荐一些他之前没有关注的商品。那么这时就可以将B关注了，但A没有关注的物品，也就是可乐，推荐给A。
简单来说，基于用户的协同过滤，就是给用户推荐“和他兴趣相似的其他用户”喜欢的物品。
下面来看一个具体的案例。设有A、B、C三个用户，葡萄、草莓、西瓜、橘子四种水果。如果某个用户喜欢某个水果，就将用户向水果连一条实线箭头。如果要给某个用户推荐某个水果，就从水果向用户引一条虚线箭头。
这里会发现，用户A和用户C同时喜欢草莓和西瓜，可以认为A和C的喜好是相似的。另外，由于用户A单独喜欢葡萄和橘子，而如果C又没有吃过这两种水果，那么就可以将葡萄和橘子推荐给用户C。
从上面这个例子中可以看出，UserCF算法主要包含了两个重要的步骤:
最低0.47元/天 解锁文章
3971
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
