协同过滤推荐

协同过滤推荐

协同过滤算法用于给用户推荐物品（商品、音乐、新闻等等），主要分为基于用户的推荐和基于物品的推荐。

推荐算法涉及到两个业务对象：用户和物品。我们需要弄清楚推荐的目的：推荐是为了给用户推荐他想要的物品，为了描述用户，我们需要获取用户画像，比如用户的年龄、性别、职业、收入、偏好等等，同时为了描述物品，需要对物品进行描述。

1. 基于用户的推荐

• 首先统计每个用户所关联的物品，得到用户和他关注的物品之间的关系，用户对商品的收藏、点赞、评论、浏览等。比如用户1关联了商品1、2、5，那么用户1和商品1、2、5的系数可以直接用1来表示或者用用户和商品之间的相关程度（收藏为最大5，浏览为最小2），所以用户1至6可以用商品向量来表示： 

	item1	item2	item3	item4	item5	item6
user1	4	3			5
user2	5		4		4
user3	4		5	3	4
user4		3				5
user5						4
user6			2	4		5

• 然后计算用户在物品上的相似度，直接用物品向量来计算，计算方法采用余弦距离：

A，B分别表示两个用户在物品维度的向量

• 这样我们就能得到所有用户间的相关系数。如果要给用户1推荐商品，我们取和用户1最相似的K个用户所关联的商品，去除用户1关联的，剩余的就是推荐商品。

	user1	user2	user3	user4	user5	user6
user1	1	0.27	0.79	0.32	0.98	0
user2	0.27	1	0	0	0.34	0.65
user3	0.79	0	1	0.69	0.71	0.18
user4	0.32	0	0.69	1	0.32	0.49
user5	0.98	0.34	0.71	0.32	1	0
user6	0	0.65	0.18	0.49	0	1

2. 基于物品的推荐

基于物品的推荐算法流程和基于用户的类似，不同的地方在于，操作的对象变为了物品，我们用每个物品所关联的用户来描述这个物品，然后依次计算物品之间的相似度。当我们需要为某个用户推荐时，可以找到和用户关联物品K个最相似的物品进行推荐。

3. 协同过滤缺点

• 依赖于用户评分（用户和物品之间的关联）或者说是冷启动问题：算法有效的前提是物品和用户之间存在某种关联，但是对于一些新的用户和物品，他们和现有的用户、商品之间并没有任何关联，这时候算法对于这些用户和物品无法做推荐；

• 在生命周期短的系统中，由于物品存在时间短（比如说广告、新闻），用户和物品之间的关联十分少，导致最后的相似度矩阵稀疏，不利于推荐。