个性推荐②—基于用户协同过滤算法原及优化方案

最新推荐文章于 2024-01-02 01:20:32 发布

数据小斑马

最新推荐文章于 2024-01-02 01:20:32 发布

阅读量3.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：个性推荐文章标签： uesrCF 用户相似度矩阵余弦相似度物品流行度时间上下文

本文链接：https://blog.youkuaiyun.com/cindy407/article/details/95736598

本文主要介绍了基于用户的协同推荐算法，包括算法步骤、用户相似度计算、兴趣度计算和改进方案。通过余弦相似度计算用户相似度，考虑物品流行度和时间上下文进行优化，以提高推荐系统的准确率和覆盖率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

个性推荐系统常用的有两种：基于领域的推荐算法和基于内容的过滤算法，前者又分为基于用户的协同推荐算法（userCF)和基于物品的协同过滤（itemCF)，本篇重点介绍基于用户的协同推荐算法的原理、适用范围及优化方案

一、算法步骤

① 找到和目标用户相似的用户集合
② 找到这个集合中用户喜欢的，且目标用户没有听过或产生过行为的物品，推荐给目标用户

二、用户相似度计算

基于用户历史行为得到用户相似度
以电商为例，如果两人共同购买的物品越多，两人越具有相似度。
以新闻为便，如果两人共同看过的新闻越多，两人越具有相似度
这里的购买，看过，都是用户的历史行为。
而如何量化这种相似度呢？——余弦相似度
给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，令N(v)
为用户v曾经有过正反馈的物品集合。W就是两两用户的相似度矩阵
在这里插入图片描述

def UserSimilarity(train): 
 W = dict() 
 for u in train.keys():
for v in train.keys(): 
 if u == v: 
 continue 
 W[u][v] = len(train[u] & train[v]) 
 W[u][v] /= ma