一吏颖、基本原理
基于物品的 CF 的原理和基于用戶的 CF 類似，只是在計(jì)算鄰居時(shí)采用物品本身恨樟，而不是從用戶的角度半醉，即基于用戶對(duì)物品的偏好找到相似的物品，然后根據(jù)用戶的歷史偏好劝术，推薦相似的物品給他缩多。從計(jì)算的角度看，就是將所有用戶對(duì)某個(gè)物品的偏好作為一個(gè)向量來(lái)計(jì)算物品之間的相似度养晋，得到物品的相似物品后衬吆，根據(jù)用戶歷史的偏好預(yù)測(cè)當(dāng)前用戶還沒(méi)有表示偏好的物品，計(jì)算得到一個(gè)排序的物品列表作為推薦绳泉。圖 3 給出了一個(gè)例子逊抡，對(duì)于物品 A，根據(jù)所有用戶的歷史偏好零酪，喜歡物品 A 的用戶都喜歡物品 C冒嫡，得出物品 A 和物品 C 比較相似拇勃，而用戶 C 喜歡物品 A，那么可以推斷出用戶 C 可能也喜歡物品 C孝凌。
圖 3.基于物品的 CF 的基本原理
二、算法實(shí)現(xiàn)
首先計(jì)算物品之間的相似度蟀架，然后根據(jù)物品的相似度和用戶的歷史行為給用戶生成推薦列表
步驟
1. 建立物品的同現(xiàn)矩陣
2. 建立用戶對(duì)物品的評(píng)分矩陣
3. 矩陣計(jì)算推薦結(jié)果
拿Mahout In Action中的案例說(shuō)明
測(cè)試數(shù)據(jù)：
1,101,5.0
1,102,3.0
1,103,2.5
2,101,2.0
2,102,2.5
2,103,5.0
2,104,2.0
3,101,2.5
3,104,4.0
3,105,4.5
3,107,5.0
4,101,5.0
4,103,3.0
4,104,4.5
4,106,4.0
5,101,4.0
5,102,3.0
5,103,2.0
5,104,4.0
5,105,3.5
5,106,4.0
針對(duì)這樣一個(gè)原始數(shù)據(jù)瓣赂，我們采取以下處理方式，按步驟獲取用戶3的推薦列表：
第一片拍，我們整理出物品評(píng)分矩陣钩述，這其實(shí)是原始數(shù)據(jù)。
第二穆碎，我們整理出物品同現(xiàn)矩陣，這是item CF的思想所在：同現(xiàn)高的物品职恳，相關(guān)性高所禀。
第三，我們整理出用戶評(píng)分矩陣放钦，這顯示了用戶偏好色徘。
第四，我們使用物品的相似度操禀，與用戶當(dāng)前的瀏覽記錄進(jìn)行關(guān)聯(lián)褂策，計(jì)算得到推薦列表。
這樣就計(jì)算得到了用戶3的物品待推薦物品及評(píng)分颓屑，我們可以根據(jù)實(shí)際情況按得分降序選擇推薦物品斤寂。
從上面我們可以看出，Item CF算法對(duì)新用戶是友好的揪惦，只要用戶偏好矩陣不為0遍搞，即用戶有歷史偏好記錄，就能夠很快得到推薦器腋。但對(duì)新物品不友好溪猿，因?yàn)樾挛锲窙](méi)有歷史數(shù)據(jù)，難以得到推薦纫塌。這可以應(yīng)用到音樂(lè)項(xiàng)目中诊县，因?yàn)橐魳?lè)曲庫(kù)相對(duì)來(lái)說(shuō)比較固定，新物品相對(duì)較少措左，這可以使得新用戶快速獲得符合自己口味的音樂(lè)依痊。
