基于协同过滤算法构建推荐系统

一 推荐系统介绍

• 推荐系统是信息过滤系统的一个子类，它根据用户的偏好和行为，来向用户呈现他(或她)可能感兴趣的物品。推荐系统会尝试去预测你对一个物品的喜好，以此向你推荐一个你很有可能会喜欢的物品。我们组设计的系统是一个购物系统，主要包括主页，商品页和推荐页。
• 完整项目效果点击此处查看（此项目为Web应用，暂未对PC端进行界面适配，如无法打开请用移动端浏览器进入139.199.59.246:8081浏览）
• GitHub地址：https://github.com/KingsleyChung/Blockchain_Market

1. 主页
   主页向用户展现了能够购买的物品的图片、价格以及库存。点击商品图片可以进入商品页，点击主页右下角的推荐图标可以进入推荐页。
2. 商品页
   商品页能看到商品简介、价格、浏览量等信息，以及出现购买量与购买图标。
3. 推荐页
   系统根据用户对某个商品的浏览次数、购买记录以及该商品的总访问量和销量而对用户进行的相关推荐。上图是在已经购买了主页的2种网球之后生成的，可以看到推荐系统基于我们的偏好，向我们推荐了可能会喜欢的Wilson护腕

二 协同过滤算法介绍

• 协同过滤的过程分为这三步：一开始，收集用户信息，然后以此生成矩阵来计算用户关联，最后作出高可信度的推荐。这种技术分为两大类：一种是基于用户的协同过滤，一种则是基于物品的协同过滤。我们的系统采用的是基于物品的协同过滤方法。
• 基于物品的协同过滤算法核心思想是：给用户推荐那些和他们之前喜欢的物品相似的物品，值得注意的是，这里所说的物品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B。 实现算法主要分为两步：

1. 计算物品之间的相似度：
   我们使用如下的公式定义物品的相似度：

• 其中， $\mid$ N（i）$\mid$是喜欢物品 i 的用户数，$\mid$ N（j）$\mid$是喜欢物品 j 的用户数，$\mid$ N（i）$\bigcap$ N（j）$\mid$ 是同时喜欢物品i和物品j的用户数。
• 这里面有个假设，就是每个用户的兴趣都局限在某几个方面。如果用户之间的兴趣广泛且不相交，那么即使存在同时喜欢物品i和物品j的用户数多，那也不能代表物品i和物品j的相似度大，因为很可能两种物