推荐经典算法——协同过滤

一.基于用户的协同过滤算法

基于用户的协同过滤（下文简称UserCF）的基本思想为：给用户推荐和他兴趣相似的用户感兴趣的物品。当需要为一个用户A进行推荐时，首先，找到和A兴趣相似的用户集合（用U表示），然后，把集合U中用户感兴趣而A没有听说过（未进行过操作）的物品推荐给A。算法分为两个步骤：首先，计算用户之间的相似度，选取最相似的N个用户，然后，根据相似度计算用户评分。

算法不足：
1.扩展性：用户人数和用户个人信息的大幅增加对协同过滤算法带来挑战。
2.准确性：一个用户可能买到系统其中不到1%的物品，不同用户之间买的物品重叠性较低，导致算法无法找到一个用户的邻居，即偏好相似的用户。因此，基于最近邻算法的推荐系统可能无法为特定用户推荐任何物品，建议的准确性可能很差。

二.基于物品的协同过滤算法

基于物品的协同过滤（下文简称ItemCF）是目前应用最为广泛的算法，该算法的基本思想为：给用户推荐和他们以前喜欢的物品相似的物品，这里所说的相似并非从物品的内容角度出发，而是基于一种假设：喜欢物品A的用户大多也喜欢物品B代表着物品A和物品B相似。基于物品的协同过滤算法能够为推荐结果做出合理的解释，比如电子商务网站中的“购买该物品的用户还购买了…”。ItemCF的计算步骤和UserCF大致相同：首先，计算物品相似度，选出最相似的N个物品，然后根据相似度计算用户评分。

建立模型的常用机器学习方法:
1.贝叶斯网络模型为协同过滤问题提供了一个概率模型，它在用户偏好模型构建较快，在用户偏好信息变换缓慢的环境中是非常实用的。但是不适用于用户偏好模型需要快速更新的环境。
2.聚类模型则把协同过滤看作一个分类问题，它的准确性较差，但是性能较佳（针对于计算量而言，因为一旦聚类完成，只需要分析很小的群组就可以了）。因此，是否预先聚类可能是精准性与吞吐量之间的一个值得的权衡的问题。
3.基于规则的方法，应用关联规则发现算法来寻找共同购买的商品之间的关联，然后根据商品之间的关联强度生成商品推荐。