常用的推薦任務分為兩種，一種是評分**，而另一種是 top-n 推 薦。評分**就是給那些沒有評分的專案進行評分，主要依據目標使用者的歷史評 分行為以及相似度計算來**目標專案的分數。 top-n 推薦就是根據使用者的偏好給 目標使用者推薦其可能喜歡的 n 件物品。
1.協同過濾演算法
協同過濾演算法可分為基於使用者的協同過濾（user-based cf）、基於物品的系統 過濾（item-based cf）
user-based cf 在推薦時首先會根據使用者的行為記錄找到相似的使用者。例如，在電影推薦方面，如果 a 和 b 在對電影型別的喜好相同或 是相近，那麼把 a 喜歡的電影推薦給 b 是有意義的。
首先需要計算兩個使用者的相似度 ，對於評分**往往採用皮爾遜積矩相關係數來計算。
使用者之間的相似度計算還可以採用 jaccard 公式
給定兩個集合a,b jaccard 係數定義為a與b交集的大小與並集大小的比值
計算相似度在工程應用中這個公式還比較粗糙，例如，小時候我 們每個人基本都會購買《新華字典》，但並不能說明他們的購買興趣相似，但是如 果兩個人都購買了《推薦系統》，那麼可以確定他們的購買興趣是比較相似的，應 為只有研究推薦系統的人才會購買這本書，換句話說，兩個使用者對冷門物品採取 過相同的行為更能說明他們購買興趣的相似度。
縮減了使用者u和使用者v共同興趣列表中熱門物品對他們相似度的影響。
基於專案的（item-based cf）協同過濾演算法的推薦
計算物品與物品之間的相似度
推薦演算法 推薦系統的評估
其中 ep 是測試資料集合 rs ua i ualu lu u 待推薦的列表大小 離線測試，使用者 u在測試集中影片數量 未打分的影片數量 iu a 是 影片 a 在使用者推薦列表中的排名ap x i 1x pre dict ioni ch ange inre call i ap 2 p redi ...
推薦系統 推薦系統的常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。推薦系統的出現 隨著網際網路的發展，人們正處於乙個資訊 的時代。相比於過去的資訊匱乏，面對現階段海量的資訊資料，對資訊的篩選和過濾成為了衡量乙個系...
推薦系統演算法總結
最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看 總感覺 對於工業界來說用處真的不如學校做課題 那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。在看書，看大牛們...