推荐系统-经典协同过滤算法【基于记忆的协同过滤算法、基于模型的协同过滤算法】

推荐系统-经典协同过滤理论基础实践

1.协同过滤推荐方法CF简介

• 协同过滤CF
  • 基于记忆的协同过滤 ---- 用户和物品的相似度矩阵
    • 用户相似度的推荐
    • 物品相似度推荐
    • UserCF用户协同过滤算法
    • ItemCF物品的协同过滤推荐算法
  • 基于模型的协同过滤 ---- 隐因子
    • LFM(latent fator machine)隐藏因子的分解模型-----矩阵分解(将一个矩阵分解成连个矩阵的乘积)----Y=A*B
    • ALS(Alternative least square) 交替最小二乘法
    • SVD分解—奇异值分解(无因变量)
    • SVD++(SVDPP)----加入因变量

2.U-U矩阵相似度推荐-Pearson

• pearson相关系数=====公式：协方差/标准差
• 算法原理 ----Pearson相关系数
  

• Pearson系数存在的问题
  • 不能应对不同用户可能对某一件广受欢迎的项目都给予高评分的情况
  • 在遇到用户只对非常少的共同项目评分时出现预测不准的情况
• 解决方案 : 提高了对有争议的共同评价的相对重要性，降低了广受欢迎项目有共同评价的相对重要性

• 算法部分：
  • 算法思想：通过Pearson相似度度量公式计算用户之间的相似度，构建相似度矩阵，实现简单的用户的推荐
  • 算法流程

• 算法步骤：

  • 输入：用户行为数据—userid-itemid-rating
  • 输出：用户相似度矩阵
  • 步骤
    • 1.计算各个用户之间同时购买商品的相似度
    • 2.当前用户和其他用户分别计算相似度，构建相似度矩阵

• 算法优化

  • 需要考虑打分分值
  • 提出UserCF-基于用户的协同过滤算法

3.V-V矩阵相似度推荐-cos

• pearson相关系数=====公式：协方差/标准差
• 算法原理

• 算法流程

• 算法部分：

  • 算法思想：通过修正后的余弦公式相似度度量公式计算用户之间的相似度，构建物品相似度矩阵，实现简单的用户的推荐
  • 算法步骤：
    • 输入：用户行为数据—userid-itemid-rating
    • 输出：物品相似矩阵
    • 步骤
      • 1.计算各个物品之间同时购买商品的相似度
      • 2.当前用户购买的物品和其他用户同时购买的商品计算相似度，构建相似度矩阵
  • 算法优化