5.1 协同过滤算法

5.1.1 协同过滤算法概述

协同过滤(Collaborative Filtering) 算法是一种基于群体用户或者物品得典型推荐算法 也是目前常用得推荐算法中最常用和最经典的算法。 可以这么说，协同过滤算法确认就是标准推荐算法作为一种可行得机器推荐算法标准步入正轨。
协同过滤算法主要有两种:

  1. 一是通过考察具有相同爱好的用户对相同物品得评分标准进行计算
  1. 是考察具有相同特质得物品从而推荐给选择了某件物品得用户

总体来说 协同过滤算法是建立在基于某种物品和用户之间相互关联的数据关系之上

5.1.2 基于用户的推荐

对于基于用户相似性得推荐, 用简单得一个词来表诉那就是”志趣相投”
列子:

1. 小王: 哥们，我想去看看这个电影，你不是看来吗，怎么样?
2. 小张: 不怎地，陪女朋友去看的，她看的津津有味，我看了一半就玩手机去了
3. 小王: 拿最佳有什么好看的电影吗
4. 小张: 你去看，我看了不错，估计你也喜欢
5. 小王:好的

这是一段日常生活中经常发生的对话，也是基于用户的协同过滤算法的基础
小王和小张是好哥们，作为好哥们其也应该具有相同的爱好 那么在此基础上相互推荐自己喜欢的东西给对方那必然是合情合理得

5.1.3 基于物品得推荐

  在基于用户的推荐算法中, 用 "志趣相投"来形容 基于物品就是"物以类聚"<br />对于不熟悉得用户，在缺少特定用户信息的情况下，根据用户已有得偏好数据去推荐一个位置物品是合理的，这就是基于物品得推荐算法<br />顾名思义，基于巫婆得推荐算法是以已有得物品为线索去进行相似度计算从而推荐给特定用户

5.1.4 协同过滤算法的不足

在实际应用中，基于用户的和基于物品得推荐算法均是最常用得协同过滤算法，但是在某些场合仍然具有不足之处
首先是基于用户得推荐算法，针对某些热点物品得处理不够准确，对于一些常用的物品推荐，其计算结果往往排在推荐的首位，而这样的推荐却没有实际应用意义。同时基于用户的推荐算法，往往数据较为庞大，计算费事，由于热点的存在准确度也很成问题。
基于物品得推荐算法，其数据量小很多，可以较为容易地生成推价值，但是其存在推荐同样(同类型)物品得问题。例如，用户狗面临某件商品，那么推荐系统很有可能会继续推荐相同类型得商品给用户，用户在购买一件商品后绝对不会再购买同类型得商品，这样的推荐完全是失败的