推荐系统入门笔记二 : 推荐算法推荐系统推荐算法协同过滤

一. 协同过滤推荐算法(基于邻域的算法) 1. 算法分类

基于用户的协同算法:
跟你喜好相似的人喜欢的东西你也很有可能喜欢
基于物品的协同算法:
跟你喜欢的东西相似的东西你也很有可能喜欢

1.1 实现协同过滤推荐有以下几个步骤：

找出最相似的人或物品:Top-N 相似的人或物品
通过计算两两的相似度来进行排序，即可找出TOP-N相似的人或物品
根据相似的人或物品产生推荐结果
利用TOP-N结果生成初始推荐结果，然后过滤掉用户已经有过记录的物品或明确表示不感兴趣的物品

1.2 基于用户的协同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
1.2.1 基础算法当一个用户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。这种方法称为基于用户的协同过滤算法。
用户的协同过滤算法主要包括两个步骤:

找到和目标用户兴趣相似的用户集合
找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户

步骤(1)的关键就是计算两个用户的兴趣相似度,协同过滤算法主要利用行为的相似度计算兴趣的相似度 ,给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v) 为用户v曾经有过正反馈的物品集合。那么，我们可以通过如下的Jaccard公式简单地计算u和v的兴趣相似度：
$$W_{uv}=\frac{|N(_u)\cup N(_v)|}{|N(_u)\cap N(_v)|}$$
或者通过余弦相似度计算：
$$ W_{uv}=\frac{|N(u)\cap N(_v)|}{\sqrt{|N(_u)||N(_v)}}$$
计算案例:

文章图片

Jaccard 公式计算:
$$\frac{|\{a,b,d\}\cap\{a,c\}}{|\{a,b,d\}\cup\{a,c\}|}$$
结果:
$$\frac{\{a\}}{\{a,b,c,d\}}=\frac{1}{4}$$
余弦相似度计算：
$$\frac{|\{a,b,d\}\cap\{a,c\}|}{\sqrt{|\{a,b,d\}||\{a,c\}|}}=\frac{1}{\sqrt{6}}$$
同理:
$$W_{AC}=\frac{|\{a,b,d\}\cap\{b,e\}|}{\sqrt{|\{a,b,d\}||\{b,e\}|}}=\frac{1}{\sqrt6}$$
$$W_{AD}=\frac{|\{a,b,d\}\cap\{c,d,e\}|}{\sqrt{|\{a,b,d\}||\{c,d,e\}|}}=\frac{1}{3}$$

1.2.1 算法实现

【推荐系统入门笔记二 : 推荐算法】jaccard 算法:

def jaccard(train): W=dict() # 计算两两用户之间的相似度 for u in train: for v in train: # 如果是同一个用户跳过 if u==v: continue # 两个用户点击物品的交集 cap=train[u]&train[v] # 两个用户点击物品的并集 cup=train[u]|train[v] # 两个用户的相似度 W[u,v]=len(cap)/len(cup) return W