基于物品的协同过滤算法：理论说明，代码实现及应用

基于物品的协同过滤算法：理论说明，代码实现及应用

标签： 爬虫 Python

主要参考资料：
项亮. 推荐系统实践[M]. 北京:人民邮电出版社, 2012.

---

转载请注明出处：http://blog.csdn.net/xuelabizp/article/details/51823458

0.一些碎碎念

从4月中旬开始，被导师赶到北京的郊区搬砖去了，根本就没有时间学习看书，这个时候才知道之前的生活是多么的幸福：每天看自己想看的书，然后实践一下，最后写博文总结一下，偶尔还能去跑个步，游个泳。想找实习的计划也泡汤了，这个项目最早要到七月中下旬才能结束，只能自己挤时间学习了。

逝者如斯夫，不舍昼夜。

1.基于物品的协同过滤算法简介

如今网上信息泛滥，想要在里面找一条适合自己的信息的成本真的有点高，所以就有了推荐系统。于用户而言，推荐系统能够节省自己的时间；于商家而言，推荐系统能够更好的卖出自己的商品。

基于邻域的推荐算法是推荐系统中最基本的算法，该算法分为两大类：基于用户的协同过滤算法(UserCF)和基于物品的协同过滤算法(ItemCF)。

基于用户的协同过滤算法就是找到和“目标用户”相似的用户，然后把他喜欢的东西推荐给“目标用户”。例如小王和小赵一对好基友，他俩喜欢看的书风格基本相同。如果有一天，系统发现小赵给自己的书架添加了一本新书，并且评价很高，那么系统就把这本书自动推荐给了小王，因为小王喜欢这本书的概率很大。设$N(u)$表示用户$u$喜欢的物品，$N(v)$表示用户$v$喜欢的物品，则两个用户的相似度为：
$$w=\frac{\mid N(u)\bigcap N(v)\mid }{\mid N(u)\bigcup N(v)\mid }\text{\hspace{1em}(1)}$$

相比于基于用户的协同过滤算法，基于物品的协同过滤算法在工业界应用更多，因为基于用户的协同过滤算法主要有两个缺点：

• 随着网站的用户数目越来越大，计算用户数的相似度将会越来越困难，其运算的时间复杂度和空间复杂度基本和用户的增长数成平方关系
• 基于用户的协同过滤算法很难对推荐结果做出解释

基于物品的协同过滤算法就是找到和“目标用户”喜欢的物品相似的物品，然后把相似的物品推荐给“目标用户”。例如我很喜欢《黑客帝国》，而《盗梦空间》和《黑客帝国》相似度很高，推荐系统就可以给我推荐《盗梦空间》，实际上我也很喜欢《盗梦空间》。

2.基于物品的协同过滤算法实现

基于物品的协同过滤算法主要有两步：

• 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

2.1计算物品的相似度

设 ∣ N ( i ) ∣ |N(i)|