python推荐系统学习笔记（4）——基于协同过滤的个性化推荐算法实战---算法（上）

python推荐系统学习笔记（4）——基于协同过滤的个性化推荐算法实战—算法（上）

一、概念理解

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息。
（1）usercf：根据用户的相似性，推荐与目标用户相似的用户所喜好的物品。适用于实时新闻，突发信息推荐。
（2） itemcf：根据物品的相似性，推荐目标用户所喜好的物品所相似的物品。适用于图书，电子商务，电影推荐。
该算法认为，物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B。

二、步骤过程

基于物品的协同过滤算法主要分为两步：
1、计算物品之间的相似度；
2、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；
三、相似性度量公式
（1）基于评分的相似性度量公式：

sin(i,j)代表物品和 的相似度：u代表用户的集合，ru,i代表用户u对物品i的评分（ru,i同理）,上划线r代表物品i或j的评分的平均值。
（2）基于行为（喜好）的相似性度量公式：

sij代表物品和的相似度：u(i)和u(j)代表含有物品i或者物品j行为的用户集合；分子表示i用品的用户行为和物品j的用户行为个数的绝对值；分母代表物品i的用户行为以及物品j的用户行为的数量的乘积的平方根。
在两种相似性度量公式中，基于评分的相似性度量公式更适用于含有用户评分数据的情景下，基于行为（喜好）的相似性度量公式多用于头条推荐以及减少计算量的情景下。
此外还有其它计算公式：（x和y分别代表每个物品的来自不同用户的评分）
（1）欧几里得（欧氏）距离：

（2）皮尔逊相关系数：

（3）Cosine（余弦）相似度：

四、评分预测公式

（1）基于评分的itemcf的评分预测公式：

代表用户 u 对物品 i的预测评分， n代表所有与物品i相似的物品个体,rui代表用户u 对物品n的评分，si,j代表物品i与物品n的相似度。
（2）基于喜好的的行为得分（喜好程度）预测公式：

i是能代表用户u 行为的物品； pu,j代表用户u对物品 j的喜好程度；sij,是物品i与 j的相似度； rui是 用户 u对物品i的行为得分度量。

存在的问题：

物品冷启动问题：当平台中物品数据较少或缺失时，无法精确计算物品相似度。

解决方法：
（1）文本分析，通过分析物品的介绍文本，计算相似度。
（2）主题模型，通过主题模型分析物品文本主题得出主题相似度
（3）打标签，对物品打标签求得相似度。
（4）推荐排行榜单。

五、算法的改进优化

（1）、考虑物品的热门程度和用户的活跃度
改进意义：认为活跃用户对物品相似度的贡献应该小于不活跃的用户，活跃用户应该被降低在相似度公式中的贡献度，如批发商用户会购置多项物品。

,其中|n(u)|表示用户产生过行为的物品的个数,用这种相似度计算itemcf的被记为itemcf-iuf。
用python代码表示如下：

def ItemSimilarity(train):
    # calculate co-rated users between items