推荐算法：基于领域的协同滤波

---

GroupLens： An Open Architecture for collaborative filtering

---

Amazon.com Rcommendations item-to-item Collaborative Filtering

本文主要

介绍了Amazon的item-to-item算法

相关研究：

1. 传统的User-based方法存在计算消化大，扩展性差的缺点
2. 传统的基于cluster的方法，存在准确度不够的缺点（通过细化用户群的画像，得到改善）
3. 基于内容的过滤

提出了item-to-item的方法

（未详细展开介绍）

---

Item-based Collaborative Filtering Recommendation Algorithms

主要内容

分析和提出item-based的算法

研究背景

1. user-based算法的缺点，扩展性差，计算花费大
2. 数据稀疏

item-based算法

• 符号
  用户：$U=\{u_1,......,u_m\}$
  物品：$T=\{i_1,......,i_n\}$
  $I_{u_i}$:用户$U$的购买物品列表

• 相似度

（1）皮尔逊相似度

$sim(i,j)=\frac{\sum_{u \in U}(R_{ui}-\bar{R}_i)(R_{uj}-\bar{R}_j)}{\sqrt{\sum_{u \in U}(R_{ui}-\bar{R}_i)^2}\sqrt{\sum_{u \in U}(R_{uj}-\bar{R}_j)^2}}$

$R_{ui}=用户u对物品 i 的评分$
$\bar{R}_i= 物品i的平均分$
（2） 修正的余弦相似度

$sim(i,j)=\frac{\sum_{u \in U}(R_{ui}-\bar{R}_u)(R_{uj}-\bar{R}_u)}{\sqrt{\sum_{u \in U}(R_{ui}-\bar{R}_u)^2}\sqrt{\sum_{u \in U}(R_{uj}-\bar{R}_u)^2}}$

R¯u=