基于物品的协同过滤算法主要分为两步。
(1) 计算物品之间的相似度。
(2) 根据物品的相似度和用户的历史行为给用户生成推荐列表
用下面的公式定义物品的相似度：
分母 |N(i)| 是喜欢物品 i 的用户数，而分子|N(i)∩N(j)|是同时喜欢物品 i 和物品 j 的用户数。因此，上述公式可以理解为喜欢物品 i 的用户中有多少比例的用户也喜欢物品 j 。
如果物品 j 很热门，很多人都喜欢，那么 W ij 就会很大，接近 1 。为了避免推荐出热门的物品，可以用下面的公式：
这个公式惩罚了物品 j 的权重，因此减轻了热门物品会和很多物品相似的可能性。
和 UserCF 算法类似，用 ItemCF 算法计算物品相似度时也可以首先建立用户 — 物品倒排表（即对每个用户建立一个包含他喜欢的物品的列表），然后对于每个用户，将他物品列表中的物品两两在共现矩阵 C 中加 1 。详细代码如下所示：
图中最左边是输入的用户行为记录，每一行代表一个用户感兴趣的物品集合。然后，对于每个物品集合，我们将里面的物品两两加一，得到一个矩阵。最终将这些矩阵相加得到上面的 C 矩阵。其中 C[i][j] 记录了同时喜欢物品 i和物品 j 的用户数。最后，将 C 矩阵归一化可以得到物品之间的余弦相似度矩阵 W 。
在得到物品之间的相似度后，ItemCF通过如下公式计算用户u对一个物品j的兴趣
这里N(u)是用户喜欢的物品的集合，S(j,K)是和物品j最相似的K个物品的集合，w ji 是物品j和i的相似度，r ui 是用户u对物品i的兴趣。（对于隐反馈数据集，如果用户u对物品i有过行为，即可令r ui =1。）该公式的含义是，和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名。该公式的实现代码如下所示。
网友评论