一.簡介
推薦演算法的整體流程是：召回——排序——策略調整
基于協同過濾的推薦演算法有以下基本假設：
1.基于用戶的協同過濾（User-based CF）：和你喜歡相同物品的人，他們喜歡的東西你也喜歡
2.基于物品的協同過濾（item-based CF）：和你喜歡的物品比較相似的物品，你也可能喜歡
二.協同過濾的具體程序
1.基于用戶的協同過濾
從上面可以看到用戶如果買了一個東西則打鉤，沒有買則不打鉤，假設我們有兩個人，小明和小紅，那么我們怎么計算這兩個人喜歡物品的相似度呢？我們假設：
小明喜歡的東西有：籃球，足球，乒乓球
小紅喜歡的東西有：籃球，足球，乒乓球，羽毛球
那么他們喜歡的相同物品數量是3，因此計算公式為：
3/3 * 3/4==9/12=3/4，這就是小明和小紅兩者之間喜歡物品的相似度，
然后計算小明和不同用戶之間的喜好相似度，使用機器學習當中KNN的思想取最大的相似程度的人做推薦，找到人之后查看他們喜歡的共同物品，過濾掉，然后取另外用戶喜好的物品給這個用戶（小明）進行推薦，這就是基于用戶的協同過濾的基本思想，
2.基于物品的協同過濾（item based CF）
我們用物品來計算相似度，如下圖所示：
看看圖自然就明白了，思想和基于用戶的協同過濾是相同的，
3.咱們做推薦系統的大致思路如下：
1.首先通過特征工程將用戶-物品評分矩陣創建出來
2.1通過基于用戶的協同過濾
2.2或者用過給予物體的協同過濾
給用戶推薦商品
三.相似度的計算
相似度不僅僅是我們剛剛做的這么簡單，不是只需要比較物品即可，因為我們用戶會對一個物品做出多種反應，評分，收藏，瀏覽次數等等，一般情況下還會使用實數值進行相似度的計算，相似度計算的資料有：
1.實數值（物品的評分情況）
2.布林值（用戶的行為，是否購買，是否收藏）
我們可以通過余玹相似度來計算兩個物品之間的相似度，如下所示：
在計算余玹相似度的時候我們只需要考慮兩個物品之間的夾角的值，也就是cos()的值，而不需要關心向量的長短，上圖是一個僅僅具有兩個特征的物品，因此維度是2.
2.我們可以通過皮爾遜相關系數來計算兩個物品之間的相似度，也就是直接使用相關系數r進行運算,計算的公式如下圖所示：
在這個公式當中同時考慮到了長度和角度的影響，當然也就在某些場景下使用的話會更加準確了，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/79663.html
標籤：其他
上一篇：處理幀數不等的視頻的批處理代碼