20、邻域协同过滤：原理、方法与实践

邻域协同过滤：原理、方法与实践

在推荐系统中，邻域协同过滤是一种强大的技术，它能够根据用户的历史行为和物品之间的相似性，为用户提供个性化的推荐。本文将深入探讨邻域协同过滤的相关内容，包括预测评分的计算方法、基于物品的过滤预测、冷启动问题以及相关机器学习术语，并通过 MovieGEEKs 网站的实例进行详细说明。

1. 邻域计算与推荐候选

在进行协同过滤时，选择合适的邻域参数至关重要。以电影为例，使用 Top - N 方法和阈值方法会得到不同的邻域结果。例如，对于《勇敢的心》（Braveheart），Top - N 方法可能会找到其他相关物品，而阈值方法可能找不到相似物品。确定邻域参数后，就可以对邻域进行排序并开始计算预测。

推荐候选物品的确定过程如下：首先获取特定用户已评分的物品，然后找出这些物品邻域内的物品，这些邻域内的物品就是可能被推荐给用户的候选物品。

2. 预测评分的计算方法

计算预测评分的常见方法主要分为回归和分类两类，下面通过具体例子进行说明。

2.1 回归方法（以房价预测为例）

回归方法可以类比为预测房屋售价。当你想出售房屋但不知道定价时，可以找到所在地区类似房屋的售价，然后取平均值，这就是回归方法的一种体现。在推荐系统中，预测特定用户对物品的评分也是类似的思路，即找到相似用户对该物品的评分并求平均值。

2.2 分类方法（以投票为例）

分类方法类似于选举投票。假设有 10 位候选人竞选市长，你不知道该投给谁，于是询问邻居的投票意向，然后统计每位候选人获得的票数，最后选择票数最多的候选人。在推荐系统中，将其应用于电影评分时，假设活跃用户的