協同過濾

隨着Web2.0的發展，現在已經進入了一個數據爆炸的時代。人們想要找到本身須要的信息也愈來愈難。

–所以有了Search，在用戶對本身需求相對明確的時候，用Search能很快的找到本身須要的數據

–但不少狀況下，用戶其實並不明確本身的須要，或者他們須要更加符合他們我的口味和喜愛的結果，所以出現了Recommendation

–這是個從數據的搜索到發現的轉變 

推薦方法分類–基於數據

•推薦系統能夠簡化建模爲如下模型 

 

 

 

根據數據的不一樣，能夠把推薦方法分爲如下3類：

–根據用戶特徵(人口統計學)：年齡，性別，職業，收入，地理位置

–根據物品的特徵：關鍵詞，基因…

–根據用戶對物品的行爲：評分，購買，評論…

協同過濾推薦算法分爲兩類，分別是基於用戶的協同過濾算法(user-based collaboratIve filtering)，和基於物品的協同過濾算法(item-based collaborative filtering) 

基於用戶的協同過濾 

基本原理

–根據全部用戶對物品或者信息的偏好，計算用戶間的類似度

–基於類似度找到與當前用戶口味和偏好類似的「鄰居」用戶羣，在通常的應用中是採用計算「K-鄰居」的算法

–基於這K 個鄰居的歷史偏好信息，爲當前用戶進行推薦

　　 

用戶類似度的計算

–每一個用戶是一個向量，向量空間爲物品集合，用向量的距離表示用戶的類似度，cosine類似度

       

優化方法：

•不少user之間其實沒有共同的item，致使分子爲0.

•因此先創建物品到用戶的倒排表，這樣就很容易找到有共同打分的user，對每兩個對物品有評價的用戶，在User-User的類似度表中先標出他們的分子，最後在統一計算他們的類似度  

 基於物品的協同過濾

基本原理也是相似的：

–它使用全部用戶對物品或者信息的偏好，發現物品和物品之間的類似度，而後根據用戶的歷史偏好信息，將相似的物品推薦給用戶

Item-based CF算法  

• 基本邏輯和User-based CF同樣。

•須要注意：

–CF算法都對流行物品進行了一些特殊的處理，以減輕他在權重中的影響。

–對ItemCF，有一個擴展算法，就是考慮用戶活躍度對物品類似度的影響，認爲越活躍的用戶對物品的貢獻度越小，相似UserCF的擴展。其實都是相似TFIDF的計算，其實對於過於活躍的用戶，有的系統會忽略它的興趣列表，這樣能夠提升推薦的覆蓋率。

•ItemCF的類似度矩陣應該進行歸一化處理，這樣能夠避免不一樣類型物品類似度絕對值範圍不一樣的問題，以提升推薦的準確率。

兩種協同過濾方法的比較

•差異

–UserCF更側重反映和用戶興趣類似的小羣體的熱點，因此UserCF其實更加社會化，而ItemCF側重於維繫用戶的歷史興趣，是推薦更加個性化。

–UserCF更加適合時效性強，用戶個性化興趣不明顯的領域，好比個性化新聞，而ItemCF適合長尾物品豐富，用戶個性化需求強烈的領域，好比圖書，電影。

–一般購物網站會採用基於物品的協同過濾方法，由於物品相對用戶數目更少，更容易計算。

•應用

–基於用戶：Digg, 新聞網站（好比雅虎新聞）

–基於物品：Amazon, Netflix, YouTube