协同过滤浅谈

标签：

我们来谈谈最经典的推荐算法协同过滤吧，下面是思维导图拙作一副

协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于对其他相似顾客对哪些产品感兴趣的分析。协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。

1.1曼哈顿距离

就是各维度距离相加,在二维空间(x轴y轴)就是   |x1-x2|+|y1-y2|

1.2 欧式距离

就是两点间直线距离

1.3皮尔逊系数

因为每个人的评分习惯不一样，所以单纯的计算距离是不准确的

1.4 余弦定理

两向量之间夹角，夹角越小越相识

其中曼哈顿和欧式适用于密集的数据，余弦定理适用于稀疏的数据。

2.方法

2.1 K邻域

选出与事物i最相似的k个事物，相似的物品的评分乘以权重求和得到预测的事物i的评分

2.2 SlopOne

该算法最大的优势就是简单，因此易于实现。基本思想是通过物品的偏差值来预测评分（公式见导图）

3.CF

3.1 UserCF

相似的用户干了什么就推荐什么。是基于数据的过滤，在扩展方面随着用户量的增大会带来性能上的降低。常应用于新闻推荐

3.2 ItemCF

为用户推荐相似的用品。是基于模型的过滤。常用于商品推荐。

4.显式与隐式评级

4.1 显式评级

例如评分、赞踩等行为显式的表现出用户的评级。但也有许多问题：

1.说谎的行为：比如朋友圈给朋友孩子投票，淘宝五星好评返两元等行为

2.懒：有动作后不评级，比如购买后不进行评价。大部分用户都这样

3.不更新：开始是商品感觉良好，一段时间后坏了，不进行更新，留下了差商品的好评

4.2隐式评级

隐式的动作，如点击进入，收听，购买等行为。

可能出现的问题，举个例子，别人用你的账户买了个商品，而你并不会在未来购买同类商品。

协同过滤浅谈

标签：

原文地址：http://blog.csdn.net/mtchy/article/details/51352363