基於物品的協同過濾

基於物品的協同過濾演算法ItemCF

基於item的協同過濾，通過用戶對不同item的評分來評測item之間的相似性，基於item之間的相似性做出推薦。簡單來講就是：給用戶推薦和他之前喜歡的物品相似的物品。

用例說明：

註：基於物品的協同過濾演算法，是目前商用最廣泛的推薦演算法。

剛開始看這個用例，感覺還是基於用戶進行的推薦，用戶A,B,C都喜歡物品a,並且用戶A,B喜歡物品c，然後就將物品c推薦給用戶C。

再回過頭來看看基於物品的協同過濾的概念：給用戶推薦和他之前喜歡的物品相似的物品。按我的理解和其他用戶的喜好並沒有什麼直接關係；比如用戶C喜歡帽子a,再給他推薦個類似的商品帽子b就可以了。

比如：物品a為啤酒，物品c為尿布，符合圖例，則向用戶C推薦的物品為尿布，因為物品a和物品c相似？，所以就向用戶C推薦了此商品。顯然這裡的相似並不是決對的相同種類或類型的物品。

那物品的相似是怎麼計算出來的哪?

Iterm-based的基本思想是預先根據所有用戶的歷史偏好數據計算物品之間的相似性，然後把與用戶喜歡的物品相類似的物品推薦給用戶。

這樣解釋就可以很好的說明上面的疑問了。

當然也可以直接針對不同物品建立相似性關係。計算出不同物品的相似度。

相似度

　　當已經對用戶行為進行分析得到用戶喜好後，我們可以根據用戶喜好計算相似用戶和物品，然後基於相似用戶或者物品進行推薦，這就是最典型的 CF 的兩個分支：基於用戶的 CF 和基於物品的 CF。這兩種方法都需要計算相似度。

　　關於相似度的計算，現有的幾種基本方法都是基於向量（Vector）的，其實也就是計算兩個向量的距離，距離越近相似度越大。在推薦的場景中，在用戶 - 物品偏好的二維矩陣中，我們可以將一個用戶對所有物品的偏好作為一個向量來計算用戶之間的相似度，或者將所有用戶對某個物品的偏好作為一個向量來計算物品之間的相似度。

上一篇文章中基於用戶的協同過濾，建立的用戶相似矩陣，此篇文章是建立的物品相似度的矩陣。

同現矩陣(Co-occurrence Matrix): 反應物品關聯度的矩陣

生成同現矩陣

數據：user,item,grade

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
3,101,2.0
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

用戶1的三個item 101,102,103形成9種組合，相應位置加1.

      [101] [102] [103]  
[101]   1     1     1     
[102]   1     1     1      
[103]   1     1     1     

最終結果：

      [101] [102] [103] [104] [105] [106] [107]
[101]   5     3     4     4     2     2     1
[102]   3     3     3     2     1     1     0
[103]   4     3     4     3     1     2     0
[104]   4     2     3     4     2     2     1
[105]   2     1     1     2     2     1     1
[106]   2     1     2     2     1     2     0
[107]   1     0     0     1     1     0     1

下麵內容摘自一論壇：

再談談Co-occurrence Matrix(同顯矩陣)和User Preference Vector(用戶評分向量)相乘得到的這個Recommended Vector(推薦向量)的意義