基于用户的协同过滤推荐算法

collaborative-filtering-recommendation

collaborative filtering recommendation description and implementaion

基于用户的协同过滤推荐算法

基本思路：

选取某个用户A的具有相似品味的邻居用户集合, 从邻居用户集合的历史评分以及用户A的历史评分综合考虑预测用户A给其未评价过的项目的评分结果, 选取预测分大于指标的项目推荐给用户A.

基本问题：

1.选择的查找相似用户用到的算法：

 k近邻算法、皮尔森相关系数法：

（1）皮尔逊相关系数是余弦相似度在维度值缺失情况下的一种改进：
https://www.cnblogs.com/charlesblc/p/8336765.html
（2）k近邻选择时，用到推排序，选取相似度最高的前k个

【1】k近邻（knn)和k-means聚类，有什么区别，哪一个比较适合用于协同过滤推荐系统？【我的思考是，如果存在大量0，或者某些用户评分次数较少，这个时候可以用基于模型的推荐算法，或者对用户多个特征或者物品做一个聚类，基于内容等，给类似的用户推荐】

【2】需要做svd吗？【矩阵存在大量0的时候适用，属于基于模型的推荐算法中的矩阵分解方法】

2.预测评分的策略是：【我自己对这个地方有点疑问，这种预测方式是否可行？】

计算相似用户对该项目的评分的加权平均分加上用户的历史平均分

3.推荐结果选取的策略是：【是否有更好的方式？】

选取预测分数大于用户历史平均分的项目作为推荐结果

4.评价指标是：【是否还需要其他评价指标，如果有多个评价指标，如何选取较优方案】

计算系统平均绝对误差 = sum(每个用户的平均绝对误差)/用户总数

5.引入用户特征：

重新对相似度取用户特征、皮尔森相关系数各自一个权重作为最终的相似的值

Tips:

1.数据集：

movieLens，从训练集中得出相似用户，去预测测试集中的评分，
再与实际评分作对比

2.环境：

（1）语言：python 3.8, 用到的库:【几乎没用到什么库】;

（2）IDE：pycharm;

（3）系统：Windows 7;