基於物品的cf（協同過濾）推薦演算法
1.1演算法簡介
cf（協同過濾）簡單來形容就是利用興趣相投的原理進行推薦，協同過濾主要分兩類，一類是基於物品的協同過濾演算法，另一種是基於使用者的協同過濾演算法，這裡主要介紹基於物品的協同過濾演算法。
給定一批使用者，及一批物品，記vi表示不同使用者對物品的評分向量，那麼物品i與物品j的相關性為：
上述公式是利用余弦公式計算相關係數，相關係數的計算還有：傑卡德相關係數、皮爾遜相關係數等。
該係數定義的是兩個向量的線性相關程度，取值範圍為[-1,+1]，0表示線性無關，絕對值越大線性相關程度越大，正/負表示正/負線性相關。
簡單的給幾個例子：
[1,2,3]，[4,5,6]：1
[1,2,3]，[6,5,4]：-1
[1,2,3]，[1,2,4]：0.98
[1,2,3]，[-1,-11,-111]：-0.9
計算使用者u對某一物品的偏好，記使用者u對物品i的評分為score(u,i)，使用者u對物品i的協同過濾得分為rec(u,j)。
1.2業務實踐
記buyersi表示使用者購買商品的向量，記buyersi=(…,bu,i,…) u∈u為,其中u表示全庫使用者集合，bu,i表示使用者u對商品i的得分，定義如下：
那麼商品i與商品j的相關係數如下：
上述公式是是利用余弦公式計算相關性，含義是商品的使用者購買向量夾角越小越相似。此外也可以運用皮爾遜、傑卡德、自定義公式計算相關性，這裡不一一枚舉。
step2：計算使用者對商品的協同過濾得分
給定乙個使用者u，設該使用者歷史購買商品記錄的向量為historyu=(…,hu,i,…) ,i∈i其中i表示所有商品的集合：
計算給定乙個物品j的協同過濾得分為:
step3：給使用者推薦商品
通過step2計算使用者對全庫商品的協同過濾得分，取得分top 10展示給使用者。
1.3例項**
systems/item-based collaborative filtering recommendation algorithm
參考**
[1]
協同過濾推薦演算法 推薦演算法 基於協同過濾CF
前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下的...
推薦演算法 基於協同過濾CF
2019 01 06 18 21 09 前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些...
協同過濾（CF）演算法（基於spark）
協同過濾 cf 是一種推薦演算法，spark中採用的是矩陣分解求als alternating least squares交替最小二乘 的實現。spark推薦演算法在org.apache.spark.mllib.recommendation包下，共有三個類 封裝使用者id，物品id，評分的資料結構，...