0. 前言

　　基于领域的推荐算法是推荐系统中最基本的算法，此类算法不仅在学术界得到了深入研究，而且在工业界也得到了广泛地应用。基于领域的推荐算法主要分为两大类：一类是基于用户的协同过滤算法（User Based Collaborative Filtering，UserCF）；一类是基于物品的协同过滤算法（Item Based Collaborative Filtering ItemCF）。而本文就着重介绍基于用户的协同过滤算法。

　　基于用户的协同过滤算法是推荐系统中最古老的算法，甚至可以这样说：UserCF的出现，标志着推荐系统的诞生。UserCF算法于1992年被提出，首次应用于邮件过滤系统。在此之后直到2000年该算法都是推荐系统领域中最著名的算法。

1. UserCF基本原理

　　用最简单的一句话总结UserCF的基本原理，那就是：在一个在线推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其它用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A，这种方法称为基于用户的协同过滤算法。

　　基于以上解释，我们知道UserCF主要包含两步：1）找到和目标用户相似的用户集合，即计算两个用户的兴趣相似度；2）找到这个集合中的用户喜欢的但是目标用户没见过的物品，把这样的物品集合推荐给用户。

1.1 相似性计算

　　从上述介绍可知，UserCF主要包含两步。本节主要讲述第一步：如何找到并计算和目标用户相似的用户。本文假设以在线商品购买为例进行讲解。
　　
　　那么这里我们如何进行计算两个相似用户的相似度呢？很显然，我们需要利用用户购买行为来进行计算。这时候，我们如何计算两个用户u和v之间的相似性呢？
　　
　　于是我们有：对于用户u和v，令 N(u)N(u) 表示用户u购买过的商品，N(v)N(v) 表示用户v购买过的商品。那么我们通过如下的 Jaccard 公式计算出u和v之间的商品偏好相似度：

wuv=|N(u)∩N(v)||N(u)∪N(v)|Jaccard公式

w_{uv}=\frac{|N(u) \cap N(v)|}{|N(u) \cup N(v)|} \qquad Jaccard公式
　　

wuv=|N(u)∩N(v)||N(u)||N(v)|‾‾‾‾‾‾‾‾‾‾√余弦公式

w_{uv}=\frac{|N(u) \cap N(v)|}{\sqrt{|N(u)||N(v)|}} \qquad 余弦公式

如下图所示，该图表示：

用户A购买过物品 {a，b，d}

用户B购买过物品 {a，c}

用户C购买过物品 {b，c}

用户D购买过物品 {c，d，e}。

图1 用户行为记录

利用余弦相似度计算可得：

wAB=|{a,b,d}∩{a,c}||{a,b,c}||{a,c}|‾‾‾‾‾‾‾‾‾‾‾‾‾‾√=16‾√

w_{AB}=\frac{\vert {\{a,b,d\}\cap\{a,c\}\vert}}{\sqrt{|\{a,b,c\}||\{a,c\}|}} = \frac{1}{\sqrt{6}}

wAC=|{a,b,d}∩{b,e}||{a,b,c}||{b,e}|‾‾‾‾‾‾‾‾‾‾‾‾‾‾√=16‾√

w_{AC}=\frac{\vert {\{a,b,d\}\cap\{b,e\}\vert}}{\sqrt{|\{a,b,c\}||\{b,e\}|}} = \frac{1}{\sqrt{6}}

wAD=|{a,b,d}∩{c,d,e}||{a,b,d}||{c,d,e}|‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√=16‾√

w_{AD}=\frac{\vert {\{a,b,d\}\cap\{c,d,e\}\vert}}{\sqrt{|\{a,b,d\}||\{c,d,e\}|}} = \frac{1}{\sqrt{6}}

　　但是，需要注意的是，这种方法的时间复杂度是O(U^2)，因为我们需要计算每一对用户之间的相似度，事实上，很多用户相互之间并没有对同样的物品产生过行为，所以很多时候当分子为0的时候没有必要再去计算分母，所以这里可以优化：即首先计算出|N(u) 并 N(v)| != 0 的用户对(u,v)，然后对这种情况计算分母以得到两个用户的相似度。

针对此优化，需要2步：

建立物品到用户的倒查表T，表示该物品被哪些用户产生过行为；
根据倒查表T，建立用户相似度矩阵W：在T中，对于每一个物品i，设其对应的用户为j,k，在W中，更新相应的元素值，w[j][k]=w[j][k]+1，w[k][j]=w[k][j]+1，以此类推，扫描完倒查表T中的所有物品后，就可以得到最终的用户相似度矩阵W，这里的W是余弦相似度中的分子部分，然后将W除以分母可以得到最终的用户兴趣相似度。

图2 商品用户倒排表

2. UserCF算法实战

未完待续……

对机器学习和人工智能感兴趣，请扫码关注微信公众号！

基于用户的协同过滤算法详解相关推荐

推荐系统--基于用户的协同过滤算法
1. 概述和搜索引擎一样,推荐系统是为了帮助人们更快速的获得对自己有用的信息. 和搜索引擎不同,推荐系统是人们被动的获取,由系统根据用户行为或其他的信息推荐给用户的,儿搜索引擎是用户 ...
【推荐系统】基于用户的协同过滤算法
基于用户的协同过滤算法基础算法在一个在线个性化推荐系统中,当一个用户A需要个性化推荐时,可以先找到和他有相似兴趣的其他用户,然后把那些用户喜欢的.而用户A没有听说过的物品推荐给A.这种方法称为基于 ...
UserCF,基于用户的协同过滤算法
转载自 UserCF,基于用户的协同过滤算法 UserCF:User Collaboration Filter,基于用户的协同过滤算法核心思想:在一个在线推荐系统中,当用户A需要个性化推荐 ...
基于用户的协同过滤算法
最近写搜索引擎文章写多了,来一篇之前写的老文,给那些对推荐算法感兴趣想入门的人吧,最近也在做推荐广告系统,又翻出来看了看. 什么是推荐算法推荐算法最早在1992年就提出来了,但是火起来实际上是最近这 ...
python协同过滤电影推荐_python实现基于用户的协同过滤算法(CF)——以电影评价数据(ml-100k)为例...
程序简介项目以ml-100k电影评分数据集为输入,实现了基于用户的协同过滤算法,最后预测的MAE为0.84,因为经过优化,10万条评分数据运行时间不超过2分钟协同过滤算法(CF)基于对用户历史行为 ...
【推荐系统】{1} —— 基于用户的协同过滤算法
协同过滤(英语:Collaborative Filtering,简称CF),简单来说是利用某兴趣相投.拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人透过合作的机制给予信息相当程度的回应(如评分) ...
推荐系统实践----基于用户的协同过滤算法（python代码实现书中案例）
本文参考项亮的<推荐系统实践>中基于用户的协同过滤算法内容.因其中代码实现部分只有片段,又因本人初学,对python还不是很精通,难免头大.故自己实现了其中的代码,将整个过程走了一遍. 1 ...
推荐系统实践(一)----基于用户的协同过滤算法(UserCF)
随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代.在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情,这 ...
推荐算法——基于用户的协同过滤算法（User-base CF）的java实现
推荐算法--基于用户的协同过滤算法(User-base CF)的java实现推荐系统什么是推荐系统为什么要有推荐系统推荐算法基于用户的协同过滤算法(User-base CF) 算法介绍代码 ...

基于用户的协同过滤算法详解

0. 前言

1. UserCF基本原理

1.1 相似性计算

2. UserCF算法实战

基于用户的协同过滤算法详解相关推荐

最新文章

热门文章