基于项目的协同过滤

基于物品的协同过滤更受欢迎

历史原因：基于邻居的协同过滤是早期推荐系统的主流。

现实原因：比如亚马逊的电商系统，用户数是指数增长的，而物品（图书）数量是线性增长的。所以说item是相对稳定的。而用户数是不稳定的。

这样，我们就能很好的计算项目之间的相似度，不用频繁的计算用户之间的相似度。

所以用户的增长对我们项目的影响不是很大，因为我们的项目还是由用户进行表示的。我们新来的用户并不需要急着加入到项目之间的相似度计算中，因为由历史数据就可以知道项目之间的相似度，并且对新来的用户还是比较适用的。

用户数一般都是大于项目数了，所以很明显，我们应该以项目数来所谓相似度矩阵的计算。

用户偏好数据：

显示反馈：点击，评分，收藏等，但很多用户是不评分的，矩阵特别稀疏，所以计算是非常不准确的。这时候可以用到隐示反馈

隐示反馈：从用户评论当中去挖掘用户的偏好。

把这些信息都参与进评分权重中。

user1 user2 user3...

item1

item2

item3

在这个item矩阵中，是有很多缺失值的，那么怎么去对待这些缺失值。

比如我们对于item1来说，我们想知道user1给他的打分，我们发现user1给item1的相似item,item2评分是5，在实际应用中，要计算item1和所有用户偏好item的相似度，把这个相似度乘以用户对偏好item的评分，做一个累加，来作为对item1的评分，那么我们很有可能就把5填充到user1对item1的打分。

那么所有推荐的集合里面我们都用这种方式，我们就能得到对于user1的topN，再除去已有打分，那么就可以推荐了。