Question

推荐算法-协同过滤3 基于物品

Answer 1

amazon , netflix, hulu , youtube

ItemCF 并不利用物品的内容属性计算物品之间的相似度，他主要通过分析用户行为记录物品的相似度。
算法认为：A 和B 相似，是由于喜欢A 的用户大都也喜欢B
利用用户的历史行为给推荐结果提供推荐解释。例如喜欢或者收藏过的射雕，推荐天龙八部。

1、计算物品相似度
2、根据物品相似度和用户的历史行为生成推荐列表

Wij = |同时喜欢物品i,j 的人数| / |喜欢物品i的人数|

惩罚热门物品：
Wij = |同时喜欢物品i,j 的人数| / sqrt(喜欢i 的人数x 喜欢j的人数） **

计算用户u对一个物品的兴趣：
Puj = sum(Sji, Rui) j (- 和j 最类似的k个物品集合
该公式的含义是：
**和用户历史上感兴趣的物品越相似的物品，越可能在用户的推荐列表中获得高排名。

itemCF 流行度效果更好些，但是准确率随k值提高没有改善。

1、IUF
Sij = cij /match.sqrt(N[i]*N[j]) 计算物品相似度
弱化，那么仅仅忽略 Cij = (1+1/log(1+N(u))
2、当然也可以忽略掉活跃度过高的用户。

W' ij = wij / maxJ(wij) 按类归一化
归一化后，覆盖率能够提高4个百分点