协同过滤算法分类-ItemCF

在推荐算法中使用协同过滤算法的原因：

①、信息过载，用户需求不明确

②、强依赖于用户的行为

Item cf  基于物品的协同过滤算法

给用户推荐他之前喜欢的物品相似的物品

举例：用户的点击行为，如下图中有四个用户ABCD,分别对item有点击行为

右边为item对应的user的倒排，比如iterm  a 对应的user的倒排为AD,item d对应的倒排为ADC

用基于item的协同过滤算法来推荐物品，由于用户C曾经对item d 有过点击行为

那么就会优先推荐与item d 最相关的item a 给用户C

ItemCf的公式一：

其中u(i)表示：对item i有过行为的用户集合

u(j)表示：对item j 有过用户行为的用户集合

分子部分表示user的重合程度，重合度越高，物品越相似

分母部分做了一个归一化操作，物品热门的相似度

公式二：

其中r(ui)表示user对item的行为得分

s(ij)表示物品的相似度得分

p(uj)表示user对item j 的推荐

公式升级：

活跃用户应该被降低在相似度公式中的贡献度

公式2：用户在不同时间对item的操作给予时间衰减惩罚