基于用户的协同过滤

基于用户的推荐

A, C 相似 并且用户B(相似度很低)不一样 C购买了物品D 则可以把物品D推荐给用户A

1. 算法思想是对用户进行聚类， 推荐和你相似的用户喜欢的无哦

2. 优点

   1. 有推荐新信息的能力， 可以返现用户潜在但尚未发现的爱好
   2. 推荐个性化， 自动化程度高

      如何计算用户相似度

3. 欧氏距离

   1. 
4. 余弦相似度
   1. 
5. 皮尔逊相关系数
   1. 

推荐过程

1. 生成用户-物品评价矩阵
2. 计算目标用户和所有用户的相似度 找出k个最相似用户集

3. 生成推荐

   补充知识点

4. 向量的模

   1. 空间向量(x,y,z)，其中x,y,z分别是三轴上的坐标，模长是 [3]

基于物品得协同过滤(item-based)

基于用户得协同过滤得缺点

1. 用户数目较大， 计算用户相似度矩阵越困难

2. 用户-物品评价矩阵数据非常稀疏，难以找到相似用户集

   思想理解

   

   实现步骤

3. 用户-物品排序

1. 构建用户-物品倒排序表

接着构建同现矩阵

1. 构建同现矩阵

1. 兴趣 以C为列子

1. 计算出兴趣度

计算公式

物品相似度

1. 两个物品相似度越高 越共同被很多用户喜欢

2. 用户对物品的打分

   基于物品的协同过滤算法步骤

3. 计算用户-物品打分矩阵

4. 计算物品相似度矩阵

5. 用户-物品打分矩阵*物品相似度矩阵=推荐列表

   基于模型的协同过滤

   基于模型的协同过滤

6. 基于分解

7. 基于隐语义

   1. 基于分解

   分解相似度矩阵

8. 特征值分解

9. 奇异值分解(a-b-c 准确度提高 复杂度增加 效率降低)
   1. 缺点
      1. 需要很大的储存空间
      2. 特别复杂
      3. SVD
      4. SVD++
      5. 时间敏感模型

10. 基于概率的矩阵分解

    1. MF矩阵分解模型
       1. 基本矩阵分解
       2. 正则化矩阵分解
       3. 基于概率的矩阵分解

          分解评分矩阵

          2. 基于隐语义

          LFM(FuncSVD)

          利用梯度下降法对SVD进行了改进

          缺点

11. 无法解决冷启动

12. 无法实时推荐