前言
作為推薦系統(tǒng) 這一系列的第二篇文章特铝，我們今天主要來聊一聊目前比較流行的一種推薦算法——協(xié)同過濾；
當(dāng)然壹瘟，這里我們只講理論鲫剿，并不會(huì)涉及到相關(guān)代碼或者相關(guān)框架的使用，在這一系列的后續(xù)文章稻轨，如果可能灵莲，我們可以將我們的所有理論知識(shí)整合一下，實(shí)踐一個(gè) 推薦系統(tǒng)的 實(shí)戰(zhàn)殴俱。
協(xié)同過濾是什么
顧名思義政冻，協(xié)同過濾就是指用戶可以齊心協(xié)力，通過不斷地和網(wǎng)站互動(dòng)线欲，使自己的推薦列表能夠不斷過濾掉自己不感興趣的物品明场，從而越來越滿足自己的需求。這種僅僅基于用戶行為數(shù)據(jù)設(shè)計(jì)的推薦算法一般稱為協(xié)同過濾算法李丰，一般來說可以分為以下幾種：
- 基于鄰域的方法（neighborhood-based）
- 隱語義模型（latent factor model）
- 基于圖的隨機(jī)游走算法（random walk on graph）等
而今天我們要說的 基于用戶的協(xié)同過濾 就是一種 基于鄰域的方法;
基于鄰域的方法 又可以分為以下兩種算法：苦锨。
- 基于物品的協(xié)同過濾算法
這種算法給用戶推薦和他之前喜歡的物品相似的物品。 - 基于用戶的協(xié)同過濾算法
給用戶推薦和他興趣相似的其他用戶喜歡的物品。
基于用戶的協(xié)同過濾
原理
給用戶推薦和他興趣相似的其他用戶喜歡的物品舟舒。-
實(shí)現(xiàn)步驟：
- 找到和目標(biāo)用戶興趣相似的用戶集合拉庶。
- 找到這個(gè)集合中的用戶喜歡的，且目標(biāo)用戶沒有聽說過的物品推薦給目標(biāo)用戶秃励。
-
實(shí)踐（只是為了加深理解哈）
上面都是空洞洞的文字描述砍的，下面我們就一個(gè)列子來加深一下理解- 收集數(shù)據(jù)，假設(shè)我們現(xiàn)以收集如下數(shù)據(jù)
user item1 item2 item3 A 1 1 0 B 1 1 1 C 0 1 1 這是一個(gè)簡(jiǎn)單的 user 和 item 的矩陣莺治，如果user購(gòu)買過item 則標(biāo)識(shí)為1 廓鞠，否則為 0。
- 計(jì)算用戶之間的相似度：
相似度的計(jì)算是有很多種方法的谣旁，如何準(zhǔn)確的計(jì)算出兩個(gè)用戶之間的相似度是該算法的一個(gè)最重要的環(huán)節(jié)床佳，至于相似度的計(jì)算，網(wǎng)上還是有相當(dāng)多的資料的榄审，這里就不再贅述砌们，下面我簡(jiǎn)單的列舉了一些比較常用和簡(jiǎn)單的計(jì)算方式
- 距離衡量相似度
我們可以將每一個(gè)用戶想象成特征組成的高維空間的一個(gè)點(diǎn)，而他們的相似度就是這兩個(gè)點(diǎn)的距離搁进，常用的距離公式有：歐幾里得距離浪感，曼哈頓距離，明可夫斯基距離 等 - 余弦相似度計(jì)算法
我們可以將每一個(gè)用戶想象成特征組成的高維空間的一個(gè)點(diǎn)饼问，其與 高維空間中的原點(diǎn)組成一個(gè)表示其的唯一向量影兽，兩個(gè)用戶的相似度就可以用他們兩個(gè)向量之間的夾角來確定，夾角越小莱革，越相似 - 其他
可以參考一下這個(gè)文章這個(gè)文章 - 同現(xiàn)度
最后峻堰，我們?cè)賮碚f一個(gè)比較low，但是也簡(jiǎn)單的算法盅视，也是本次實(shí)踐的算法：同現(xiàn)度
即捐名，當(dāng)兩個(gè)用戶同時(shí)購(gòu)買了同一個(gè)商品，那么他們相似度 +1
那么我們就可以計(jì)算出用戶之間的相似度了闹击，可以得到如下一個(gè)列表user A B C A * 2 1 B 2 * 2 C 1 2 *
這里啰嗦一下镶蹋，雖然算法分簡(jiǎn)單 和 復(fù)雜，但是和算法的效果是沒有絕對(duì)的關(guān)系的赏半，所以不要小看那些簡(jiǎn)單的算法噢贺归。
找到和推薦用戶相似的用戶集合 ，并推薦
這里我們只有一個(gè)3個(gè)用戶除破，所以我們這個(gè)集合那就定為一個(gè)吧牧氮，如果我們要給A推薦，那么先找到與A相似的用戶集合 {B}推薦
既然我們找到了A用戶的相似用戶們是 B瑰枫，而且也可以很簡(jiǎn)單的發(fā)現(xiàn) B 買過 item3踱葛，而A沒有買過丹莲，所以我們就給 A 推薦 item3
-
總結(jié)
基于用戶的協(xié)同過濾差不多就是這個(gè)樣子，當(dāng)然實(shí)際生產(chǎn)環(huán)境你肯定得考慮很多其他因素尸诽，比如數(shù)據(jù)規(guī)模甥材，數(shù)據(jù)特征選取，特征的權(quán)重等等等等性含。當(dāng)然這些都不在討論之列洲赵，我們只要知道該算法是個(gè)什么，怎么做的商蕴，有什么用就好了叠萍。最后我們?cè)賮砜偨Y(jié)下這個(gè)算法優(yōu)劣吧：+- 因?yàn)槭钦矣脩舻南嗨贫龋愿芊从沉擞脩羲诘男⌒团d趣群體中物品的熱門程度绪商，比較社會(huì)化群體化苛谷。
- 針對(duì)用戶個(gè)人而言，其特征或者說興趣是不夠細(xì)化的格郁。
- 從實(shí)時(shí)方面來看腹殿，用戶個(gè)人的行為不一定能造成物品推薦的實(shí)時(shí)更新，當(dāng)然這里是不一定例书，很多時(shí)候锣尉，當(dāng)某個(gè)熱點(diǎn)東西進(jìn)入該用戶的圈子，這個(gè)東西的傳遞還是迅速的
- 對(duì)于物品的冷啟動(dòng)比較友好决采，一旦一個(gè)新物品被某個(gè)用戶購(gòu)買自沧，立刻就可以推薦給他圈子的其他用戶
- 對(duì)于用戶的冷啟動(dòng)不友好，因?yàn)橐粋€(gè)新用戶的加入织狐，并不會(huì)馬上被加入到某個(gè)圈子暂幼，比較用戶相似度矩陣是不可能實(shí)時(shí)計(jì)算的筏勒。
- 推薦結(jié)果不具有可解釋性移迫，我不知道推薦給你的這個(gè)物品是什么，我只知道管行，你的朋友都在用
- 對(duì)于用戶比較龐大的公司厨埋，計(jì)算用戶相似度會(huì)比較麻煩
基于物品的協(xié)同過濾
上面講完了 基于用戶的協(xié)調(diào)過濾，那么我們成熱打鐵把 基于物品的協(xié)調(diào) 過濾也一塊講了
物品的協(xié)調(diào)過濾 不同于 基于用戶的區(qū)別就在于：
- 計(jì)算相似度的時(shí)候我們是通過用戶行為計(jì)算的 物品之間 的相似度捐顷，而基于用戶 則是通過用戶行為計(jì)算的 用戶之間 的相似度荡陷。維護(hù)的是物品之間的相似度矩陣
- 當(dāng)給一個(gè)用戶作推薦的時(shí)候，基于用戶 因?yàn)橐呀?jīng)計(jì)算了 用戶之間的相似度迅涮，則可以找到推薦用戶興趣相似的用戶废赞，而基于物品，則可以找到和推薦用戶感興趣的物品相似的物品來做推薦
好像差不多也就這些東西叮姑，弄懂基于用戶的協(xié)同過濾之后唉地，基于物品的也就是那么回事了据悔，其主要特征如下：
- 推薦更加個(gè)性化，反映了用戶自己的興趣傳承
- 實(shí)時(shí)性方面耘沼，用戶實(shí)時(shí)瀏覽和喜歡极颓，都能立即造成推薦的物品的改變
- 對(duì)于物品的冷啟動(dòng)比較不友好
- 對(duì)于用戶的冷啟動(dòng)比較友好
- 推薦結(jié)果具有很好的解釋性
- 對(duì)于物品實(shí)時(shí)更新的領(lǐng)域不太適用，比如：新聞群嗤。相反菠隆，對(duì)于物品變化比較不敏感的領(lǐng)域很適用。
ok狂秘！就這樣了骇径，感謝你的觀看！Ｕ叽骸既峡！
