推薦系統(tǒng)實戰(zhàn)之——基于物品的協(xié)同過濾推薦ItemCF

目錄

1、基于物品協(xié)同過濾(Item-CF-Based)算法原理

2、Item-CF-Based算法流程

3、python實現(xiàn)

4、總結(jié)

Item-CF-Based算法原理：基于物品協(xié)同過濾推薦是通過不同對Item的評分來評測Item之間的相似性，從而基于Item的相似性做推薦。簡單的說就是給用戶推薦他之前喜歡物品的相似物品。

算法流程：

1、建立物品倒排表

Item倒排

2、根據(jù)倒排表，構(gòu)建同現(xiàn)矩陣（物品共同評分用戶數(shù)）

物品同現(xiàn)矩陣

結(jié)合Item相似度計算公式：W_{(i,j)} = \frac {|N_{(i)} \cap N_{(j)}|}{|N_{(i)}\cup N_{(j)} |} ，可得物品相似度矩陣

物品相似度矩陣

3、計算預(yù)測評分，ItemCF通過公式：計算用戶u對物品i的興趣P_{(u,i)} =\sum_{j\in S(j,K)\cap N(u)}W_{(i,j)}\gamma_{(u,j)} ，其中

N_{u}: 用戶喜歡的物品集合；

S(j,K):和物品j最相似的K個物品的集合；

W_{ij} :物品i和j的相似度；

\gamma_{uj} :用戶u對物品j的興趣評分

從公式可知：與用戶歷史上喜歡的物品相似度高的物品，越會打分靠前排在推薦列表前面。

python實現(xiàn)：https://github.com/SolodanceMagicq/RecommendSys/tree/master/CF/ItemCF

總結(jié)：ItemCF與UserCF類似，都是協(xié)同過濾推薦算法。其不同是前者基于和歷史物品的相似度推薦，是物以類聚思想，傾向于個性化推薦；后者按人以群分思想，更偏向于熱點內(nèi)容推薦。

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

友情鏈接更多精彩內(nèi)容