19、邻域协同过滤：原理、算法与实践

邻域协同过滤：原理、算法与实践

1. 协同过滤概述

在探索知识的过程中，你可能会遇到基于用户的过滤（user - user - based filtering）这一术语。人们仍在讨论基于用户的过滤，是因为它是一种更好的推荐方式。如果进行基于物品的过滤（item - to - item filtering），你会找到与用户A已评价过的物品相似的物品，但相似物品无法提供相似评分所带来的意外惊喜。

基于用户相似度，期望数据能将一个用户与具有不同品味特点的其他用户连接起来，从而提供令人惊喜且优质的推荐。若要解释推荐的原因，基于物品的过滤会使这项任务变得简单。因为系统可以说，你会得到电影Y的推荐是因为你喜欢与电影Y相似的电影X。而基于用户的过滤在解释推荐原因的同时，还需要更多的技巧来保护其他用户的隐私。

2. 数据要求

进行协同过滤时，数据需要满足一定要求。为了计算推荐，数据需要有良好的连接性：
- 如果没有用户对内容进行评分，那么将无法做出推荐。
- 与其他用户没有重叠品味的用户将无法获得优质推荐。

3. 协同过滤的实现方式

一种实现协同过滤的方法是，首先找出被多个用户（至少两个以上）评价过的所有物品，然后计算与这些物品中的一个或多个相关联的用户数量。这些用户将获得推荐，其余用户则不会。协同过滤的优点是系统无需任何领域知识，但要创建一个优秀的推荐系统，你仍需要领域知识。

4. 计算推荐

我们已经了解了基于用户和基于物品的过滤。接下来主要讨论基于用户的过滤，但实际上，最终的实现很可能会使用物品相似度，尤其是当数据集有大约45,000个用户和仅25,000个物品时。物品相似度的流程