北大《推荐系统》课程-基于邻域的协同过滤算法

目录

1.协同过滤算法分类：

2.协同过滤算法步骤

3.基于用户的协同过滤 TOP-N

用户相似度：

计算对项目的兴趣度：

基于用户的协同过滤算法：

改进算法IUF：

4.基于项目的协同过滤 TOP-N

项目相似度：

计算感兴趣度：

基于项目的协同过滤系统：

算法改进：

5.基于用户的协同过滤评分预测

计算用户相似度：

计算评分预测

---

注：北大刘宏志老师的《推荐系统》课程学习，图片来源于课程PPT和参考书籍

1.协同过滤算法分类：

2.协同过滤算法步骤

• 收集数据

• 基于邻域或者训练模型

• 计算推荐结果

3.基于用户的协同过滤 TOP-N

假设：与我兴趣相似的用户喜欢的项目，我也喜欢。

用户相似度：

计算对项目的兴趣度：

基于用户的协同过滤算法：

改进算法IUF：

假设：冷门项目更能体现用户相似度

4.基于项目的协同过滤 TOP-N

假设：过去喜欢某项目，未来还喜欢

项目相似度：

计算感兴趣度：

基于项目的协同过滤系统：

算法改进：

5.基于用户的协同过滤评分预测

使用余弦相似度不合理，只用绝对相似而忽略了相对的相似度。应该使用皮尔逊相似度。

计算用户相似度：

计算评分预测