概要：
推薦系統(tǒng)通過信息獲取技術(shù)解決在線的個(gè)人的消息、產(chǎn)品或者服務(wù)的推薦問題。這些系統(tǒng)，特別是基于k臨近協(xié)同過濾算法，在網(wǎng)絡(luò)上取得了廣泛的成功。可用信息和訪問人數(shù)的巨大增加成了推薦系統(tǒng)一個(gè)難題。基于商品的協(xié)同過濾推薦算法應(yīng)運(yùn)而生，通過分析用戶特征矩陣計(jì)算推薦信息。本文主要分析不同的基于商品的推薦算法，還會同k臨近過濾算法比較，同時(shí)提供比現(xiàn)存最好的基于用戶算法更好的算法。
一、協(xié)同過濾算法分類
協(xié)同過濾算法主要分為：1.基于存儲 2.基于模型
基于存儲：它利用整個(gè)用戶商品數(shù)據(jù)來產(chǎn)生預(yù)測，使用靜態(tài)的方法找到相似用戶，他們評價(jià)了不同的商品但是評價(jià)相似或者他們想買相似的商品，一旦形成相似組群，系統(tǒng)就會整合組群來產(chǎn)生預(yù)測。這種方法也被叫做臨近算法或者基于用戶的協(xié)同過濾算法，得到廣泛的應(yīng)用。
面臨的問題：
1.稀疏問題：商品很多，即使是非常愛買東西的用戶買的物品可能都不會超過總商品的1%。
2.性能：計(jì)算量隨著用戶和商品的增加而增加。因此數(shù)據(jù)量一大性能就降低。?
基于模型：它通過產(chǎn)生一個(gè)用戶評分模型來推薦，這個(gè)算法采用了概率論的方法，通過用戶給出的期望價(jià)值來給其他商品打分，這個(gè)模型通過機(jī)器學(xué)習(xí)算法比如貝葉斯網(wǎng)絡(luò), clustering, 和 rule-based等等實(shí)現(xiàn)的。貝葉斯網(wǎng)絡(luò)模型為協(xié)同過濾算法提供了一個(gè)概率模型，Clustering模型把協(xié)同過濾算法當(dāng)成一個(gè)分類問題，通過將相似者分組然后估計(jì)該客戶在這個(gè)類別的可能性，通過這些來計(jì)算商品評分的可能性。rule-based通過共同購買的商品的相關(guān)度來產(chǎn)生基于商品相關(guān)度的推薦。
二、協(xié)同過濾算法用到的度量技術(shù)
商品相似度：
1.cosine相似度：只考慮item向量的點(diǎn)積
2.correlation-based相似度（Pearson相似度）：考慮了item的平均評分
3.adjusted cosine相似度：考慮了用戶對item的平均評分
預(yù)測計(jì)算：
1.使用相似度加權(quán)平均
2.使用回歸模型。使用加權(quán)平均時(shí)，采用的與預(yù)測物品i相似的物品 j的相似度Sim j* j的評分Rj。而使用回歸模型時(shí)，它會計(jì)算出一個(gè)線性回歸 f(j) =α*avg(Rj) + β?+?ξ，從而計(jì)算出一個(gè)不同于Rj的分值，然后再使用加權(quán)平均。
評價(jià)系統(tǒng)好壞的方式：
1.statistical accuracy metrics:MOE、RMSE
2.decision support accuracy metrics:reversal rate, weighted errors, ROC
三、結(jié)論
1.基于物品的算法預(yù)測結(jié)果要比基于用戶的算法預(yù)測結(jié)果好
2.基本的基于物品的算法，模型大小越大，推薦質(zhì)量越好，但是基于回歸的物品算法，先是隨著模型大小增加而增加，之后質(zhì)量下降。
3.adjusted cosine similarity效果比較好

轉(zhuǎn)載于:https://www.cnblogs.com/herumw/p/9466401.html

總結(jié)

以上是生活随笔為你收集整理的阅读笔记：Item-based Collaborative Filtering Recommendation Algorithms的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。