作者：馮向博
微信：supermvn
介紹：推薦系統(tǒng)學(xué)習(xí)整理

目錄

一. 前面的話
二. 原始用戶物品評(píng)分?jǐn)?shù)據(jù)
三. 物品相似度計(jì)算過程
四. 推薦列表計(jì)算
五. 總結(jié)一下
六. 練習(xí)

一. 前面的話

根據(jù)上篇文中反饋，基于物品的協(xié)同過濾的原理在上篇中描述對(duì)部分讀者理解起來有一定的困難，我重新梳理了下，輸出了用圖的形式表示物品相似及推薦算法的推文。
主要拆解為以下幾個(gè)數(shù)據(jù)的處理過程

image

1. 用戶物品（購買、點(diǎn)擊、收藏、付款）評(píng)分?jǐn)?shù)據(jù)
2. 用戶物品評(píng)分矩陣
3. 物品相似度矩陣
4. 推薦物品矩陣

二. 原始用戶物品評(píng)分?jǐn)?shù)據(jù)

image

1. usre_id 評(píng)分用戶ID
2. item_id 評(píng)分的物品ID
3. rating 用戶對(duì)物品的評(píng)分

這里評(píng)分就是根據(jù)用戶的行為數(shù)據(jù)，對(duì)這個(gè)物品進(jìn)行一個(gè)打分?jǐn)?shù)據(jù)處理，我們這里只使用其他其他數(shù)據(jù)部門，提供的評(píng)分?jǐn)?shù)據(jù)。
根據(jù)我們的數(shù)據(jù)處理過程，我們需要將這個(gè)打分?jǐn)?shù)據(jù)處理成用戶物品評(píng)分矩陣，處理過程是將同一個(gè)用戶 id 作為 Key，對(duì)所有物品的 id 和 rating 作為 value 記錄，當(dāng)同一個(gè)物品id有多個(gè)打分，就將這個(gè)打分求和。構(gòu)成用戶物品評(píng)分矩陣

image

三. 物品相似度計(jì)算過程

這里的物品相似度計(jì)算我們需要一個(gè)公式

image

1. |Ni| 是喜歡物品 i 的用戶數(shù)
2. |Nj| 是喜歡物品 j 的用戶數(shù)
3. Wij 是物品i 與 j相似度

image

1. 這里需要根據(jù)用戶物品評(píng)分矩陣計(jì)算 Ni ,我們?cè)诒闅v用戶物品評(píng)分矩陣的時(shí)候會(huì)記錄物品 i 的用戶數(shù) Ni。
2. 同時(shí)需要構(gòu)建一個(gè)物品兩兩共現(xiàn)矩陣，記錄每個(gè)用戶對(duì)物品的打分記錄數(shù)。然后將所有用戶的物品兩兩共現(xiàn)矩陣求和得到 Cij。
   
   image

依據(jù) N 和 C 就計(jì)算出物品相似矩陣

四. 推薦列表計(jì)算

推薦列表計(jì)算，需要使用物品評(píng)分矩陣和相似度矩陣來計(jì)算

image

這里就是涉及一個(gè)矩陣相乘計(jì)算。
最后去掉用戶評(píng)分矩陣中的數(shù)據(jù)，剩余的就是推薦的物品集合。

image

五. 總結(jié)一下

1. 總的物品推薦，圖形表示出來。
2. 物品相似度過程，圖形化表示。

六. 練習(xí)

1. 對(duì)比上一篇的文章，這篇圖形表示算法都可以在代碼中找到。
2. 試著用圖形繪制物品推薦過程，掌握之。

微信公眾號(hào)