推荐系统实战之——基于物品的协同过滤推荐ItemCF

2020-06-08 本文已影响0人易码当先

1、基于物品协同过滤(Item-CF-Based)算法原理

2、Item-CF-Based算法流程

3、python实现

4、总结

Item-CF-Based算法原理：基于物品协同过滤推荐是通过不同对Item的评分来评测Item之间的相似性，从而基于Item的相似性做推荐。简单的说就是给用户推荐他之前喜欢物品的相似物品。

算法流程：

1、建立物品倒排表

Item倒排

2、根据倒排表，构建同现矩阵（物品共同评分用户数）

物品同现矩阵

结合Item相似度计算公式： $W_{(i,j)} = \frac {|N_{(i)} \cap N_{(j)}|}{|N_{(i)} |}$ ，可得物品相似度矩阵

物品相似度矩阵

3、计算预测评分，ItemCF通过公式：计算用户u对物品i的兴趣 $P_{(u,i)} =\sum_{j\in S(j,K)\cap N(u)}W_{(i,j)}\gamma_{(u,j)}$ ，其中

$N_{u}:$ 用户喜欢的物品集合；

$S(j,K):$ 和物品j最相似的K个物品的集合；

$W_{ij} :$ 物品i和j的相似度；

$\gamma_{uj} :$ 用户u对物品j的兴趣评分

从公式可知：与用户历史上喜欢的物品相似度高的物品，越会打分靠前排在推荐列表前面。

总结：ItemCF与UserCF类似，都是协同过滤推荐算法。其不同是前者基于和历史物品的相似度推荐，是物以类聚思想，倾向于个性化推荐；后者按人以群分思想，更偏向于热点内容推荐。