协同过滤算法

协同过滤算法:

1. 收集用户偏好
2. 找到相似的用户或商品
3. 计算推荐

---

相似度计算

1.欧氏距离

2.欧几里德距离

3.皮尔逊相关系数(1111

协方差
标准差
皮尔逊相关系数=协方差/标准差
趋近于-1负相关，趋近于1正相关

4.Cosine相似度

---

基于用户的协同过滤(不太流行

要解决的问题

1. 已知用户的评分矩阵
2. 推断矩阵中空格的值

存在的问题:

1. 新用户
2. 物品没被打分

解决方案

1. 相似度计算用皮尔逊相似度
2. 考虑共同打分物品的数目
3. 对打分归一化处理
4. 设置相似度阈值

缺点

1. 数据稀疏
2. 计算量大
3. 人是善变的

---

基于物品的协同过滤

优势

1. 计算性能高，通常用户数量大于物品数量
2. 可预先计算保留，物品并不善变

用户冷启动问题

1. 引导用户把自己的一些属性表达出来
2. 利用现有的开放数据平台
3. 根据用户注册属性
4. 推荐排行榜单

物品冷启动问题

1. 文本分析
2. 主题模型
3. 打标签
4. 推荐排行榜单

---

两种协同过滤算法的对比:

----	基于用户	基于物品
性能	适用于用户较少	适用于物品数明显小于用户数
领域
实时性
冷启动
推荐理由	很难提供令用户信服的推荐解释	可以根据用户的行为归纳推荐理由