推荐系统（基于用户的协同过滤）入门总结

           最近百度有一个推荐系统算法创新大赛，由于我的研究生课题是和推荐系统相关的，所以做实验就比较方便简单。身边有一些人会问到我一些关于推荐的方法，就想要总结一个推荐系统的编写入门，也算是对自己知识的检验吧。中间有很多引用，会给出链接供大家参考。

        总体来说，目前我比较熟悉的推荐算法是协同过滤（Collabrative Filter）算法，而协同过滤算法包括基于用户的CF和基于物品的CF。而本文将基于用户的CF算法给大家进行一下科普。

        基于用户的协同过滤算法，基于如下假设：对于用户u，和用户u有相同兴趣的用户喜欢的物品，u也比较喜欢。如此，就可以将推荐算法分为两个步骤：

(1). 找到与用户兴趣相似的用户(邻居)集合。

(2). 根据这个集合中的用户喜欢的，且目标用户没有看过的的物品推荐给目标用户。

        步骤明确了，然后就可以做实验了。

        拿百度这次比赛给的数据集为例子，我将具体说一下算法的流程。

        百度的最终目的是用户给没听过的部分项目打分，提供的数据格式为：‘userid’ ‘itemid’ ?。这里面“？”是由算法给出来的，范围是1到5，数字越大表示用户越喜欢该项目。

        按照上面所说的步骤，给定一个用户userid，首先照出与该用户相似的用户集合。相似性如何进行评价，有不同的评价标准，我们这里使用 Pearson 相关系数计算用户相似度。评价公式为：

上述公式的计算依赖于数据集中的训练集，此次百度数据集中的训练集给定的是如下格式：userid itemid rating。根据这些数据，我们就可以计算出任意两个用户之间的相似度。根据相似度大小，我们可以得到和目标用户u最相关的N个用户，用这些用户对目标项目的打分形成目标用户对目标项目的最终打分，打分公式为：

注意，上述公示中的预测评分公式的分母可以适当的进行一下修正，不然容易出现比较大的打分值。最后打分有可能超过5，可以将超过五的打分统一赋值为五。

References

1. 项亮： 推荐系统实践 2012

 2. zh's note    http://blog.csdn.net/wuzh670/