协同过滤算法

协同过滤概述

协同过滤（CF Collaborative Filtering）也叫基于近邻的推荐算法，主要思想是：利用已有的用户群过去的行为或意见（总之就是过去的数据）预测未来的数据。根据当前用户(user)对物品（item）的评分，去预测其他用户对其他物品的评分。（就是将 用户x物品的评分矩阵补全）根据已有数据对和已有数据相近的物品进行打分。

算法输入就是用户x物品的评分矩阵。
输出则一般有两类：当前用户对当前物品的喜欢或不喜欢程度的评分数值 以及 n项推荐物品的列表

主要（也是最基础的）实现方式有：

• 基于用户的协同过滤（最近邻推荐）
• 基于物品的协同过滤（最近邻推荐）

实现协同过滤的步骤

1. 收集用户数据
2. 找到相似用户或物品
3. 计算推荐

用户行为特征

以上列举了一些常见的推荐特征提取的方法和度量，实际应用中还有很多可以用来做特征的用户行为，其中包括一些隐式特征（比如后面提到的隐语意分析）足见在推荐系统中，特征的提取和选择也非常重要。

相似度度量

前面的解释中提到，协同过滤主要是根据用户或物品之间的相似度来获取最近的n个物品或用户。那么对于相似度，应该如何度量，便成为一个非常重要的内容。