基于协同过滤的推荐算法

前言

之前写来基于内容的推荐方法，现在想要分析一下基于协同过滤的推荐方法，网上与很多文章介绍来，但是站在不同的角度思考同一个问题，或许让你更加理解。

基于协同过滤的推荐：概念

协同过滤（Collaborative Filtering）技术，是推荐系统中应用最为广泛的技术之一，它基于一组兴趣相同的用户进行推荐。协同过滤基于这样的假设：为用户找到他真正感兴趣的内容的好方法是，首先找他与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户。类似朋友们推荐，毕竟生活场景下大家都会向朋友咨询，而得到朋友的推荐，协同过滤就是朋友，它来帮你推荐。

wiki上的定义则是：协同过滤（英语：Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的资讯，个人透过合作的机制给予资讯相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选资讯，回应不一定局限于特别感兴趣的，特别不感兴趣资讯的纪录也相当重要。

协同过滤技术可以分为三类：基于用户（User-based）的协同过滤；基于项目（Item-based）的协同过滤；基于模型（Model- based）的协同过滤。

不同点

如果你要问我跟基于内容有什么区别？我可能就会想到是角度不一样，一个是基于商品来推荐，协同是基于用户来推荐。

• 基于内容的推荐，主要构建内容特征，不需要用户特征，需要一个关联关系：用户与内容的关联，包括用户浏览、购买内容的关联关系。一个商品被用户购买、收藏、浏览等行为，会让我们推荐该商品相似的其他商品给用户。
• 协同过滤：利用用户人口统计特征、商品特征一起构建特征，这个特征可以是放到用户侧或者内容侧，然后计算相似度，把一个用户购买、浏览的商品推荐给他相似的用户。如果是单纯的基于用户推荐可能不会关注商品特征，直接拿人口统计特征来构建用户特征。这里的协同应该是共同的意思，用户、内容共同起作用。

协同过滤有那些方法

参考很多博客种，大家都提到的协同过滤有3种：

• 基于用户的协同过滤
  基于用户其实就是构建用户特征，内容特征也要融入用户特征，计算用户与用户之间的相似度，得到用户的相邻用户，从而开始推荐其他用户有兴趣的内容。

• 基于项目的协同过滤
  基于项目其实就是构建内容特征，这里的项目就是内容，用户特征要融入内容特征，计算