協同過濾（Collaborative Filtering，簡稱CF）推薦算法的主要功能是預測和推薦，“人以類聚，物以群分”。可以分為兩類，分別是基于用戶的協同過濾算法(user-based collaboratIve filtering)，和基于物品的協同過濾算法(item-based collaborative filtering)。

基于用戶的協同過濾算法(user-based collaboratIve filtering)
如果A,B兩個用戶都購買了x,y,z三本圖書，并且給出了5星的好評。那么A和B就屬于同一類用戶。可以將A看過的圖書w也推薦給用戶B。

如何通過用戶對不同商品的態度和偏好尋找相似的用戶。

用散點圖表示

歐幾里德距離評價

皮爾遜相關度評價
相關系數的分類
0.8-1.0 極強相關
0.6-0.8 強相關
0.4-0.6 中等程度相關
0.2-0.4 弱相關
0.0-0.2 極弱相關或無相關

為相似的用戶提供推薦物品。

加權排序推薦，提取了相似的幾個用戶評價過的另外商品。并對不同商品的評分進行相似度加權，然后推薦給用戶。

總結：1、數據稀疏性。一個大型的電子商務推薦系統一般有非常多的物品，用戶可能買的其中不到1%的物品，不同用戶之間買的物品重疊性較低，導致算法無法找到一個用戶的鄰居，即偏好相似的用戶；2、算法擴展性。最近鄰居算法的計算量隨著用戶和物品數量的增加而增加，不適合數據量大的情況使用。

基于物品的協同過濾算法(item-based collaborative filtering)
如果用戶A同時購買了商品1和商品2，那么說明商品1和商品2的相關度較高。當用戶B也購買了商品1時，可以推斷他也有購買商品2的需求。

尋找相似的物品。

用散點圖表示

歐幾里德距離評價

皮爾遜相關度計算公式

為用戶提供基于相似物品的推薦。

加權排序推薦

總結：因為物品直接的相似性相對比較固定，所以可以預先在線下計算好不同物品之間的相似度，把結果存在表中，當推薦時進行查表，計算用戶可能的打分值，可以同時解決user-based遇到的兩個問題（user-based總結里面提到的兩個問題）。

Item-based相似度計算

基于余弦（Cosine-based）的相似度
基于關聯（Correlation-based）的相似度
調整的余弦（Adjusted Cosine）相似度

Item-based預測值計算

加權求和
回歸

作者通過實驗對比結果得出結論：1. Item-based算法的預測結果比User-based算法的質量要高一點。2. 由于Item-based算法可以預先計算好物品的相似度，所以在線的預測性能要比User-based算法的高。3. 用物品的一個小部分子集也可以得到高質量的預測結果。

本文來自：https://blog.csdn.net/huagong_adu/article/details/7362908

總結

以上是生活随笔為你收集整理的协同过滤推荐算法简介的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。