领域协同过滤算法

协同过滤算法分类

在互联网应用场景中，存在大量用户看了又看、买了又买、买过还买等情况，因此，我们需要利用集体智慧将用户和物品的所有交互行为实现个性化推荐，此时就可以考虑使用协同过滤算法。

协同过滤算法（Collaborative Filtering，简称 CF）是推荐算法中最成熟、应用最广的一种算法。

根据模型相似度计算的对象把协同过滤算法（CF）分为了 UserCF、ItemCF 、ModelCF 这 3 种。

基于用户的协同过滤算法（UserCF）

通过分析用户喜欢的物品，发现如果两个用户（用户A 和用户 B）喜欢过的物品差不多，则这两个用户相似。此时，可以将用户 A 喜欢过但是用户 B 没有看过的物品推荐给用户 B。

基于用户的协同过滤算法（UserCF）的具体实现思路如下：

（1）计算用户之间的相似度；
（2）根据用户的相似度，找到这个集合中用户未见过但是喜欢的物品（即目标用户兴趣相似的用户有过的行为）进行推荐。

基于物品的协同过滤算法（ItemCF）

通过分析用户喜欢的物品，我们发现如果两个物品被一拨人喜欢，则这两个物品相似。此时，我们就会将用户喜欢相似物品中某个大概率物品推荐给这群用户。

基于物品的协同过滤算法的具体实现思路如下：

（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进行推荐。

基于模型的协同过滤算法（ModelCF）

基于模型的协同过滤算法也叫基于学习的方法，通过定义一个参数模型，我们可以描述用户和物品、用户和用户、物品和物品之间的关系，然后将已有的用户与物品评分矩阵（例如矩阵分解、隐语义模型 LFM 等）作为样本优化求解，最终得到模型参数。

协同滤算法计算过程

协同过滤算法（CF） 的本质是矩阵填充问题（Matrix Completion），即基于矩阵内部的已知值填充剩下的未知值。已知值指用户对已经交互过的物品的打分，未知值指用户对未交互过的物品的打分，对未知值的填充也就是指整个模型预测过程。

协同过滤算法（CF）的计算基础是相似度计算，因此，协同过滤算法（CF）计算过程的第一步就是找到与目标用户相似的用户或者与目标物品相似的物品，例如 UserCF 依赖计算用户之间的相似度，ItemCF 依赖计算物品之间的相似度等。

一般来说，常见的相似度计算方法主要分为基于欧式距离的相似度计算、基于 Jaccard 公式的相似度计算、余弦相似度计算、皮尔逊相似度计算等。

关于基于模型的协同过滤算法（ModelCF）的具体实现思路如下：

（1）根据用户行为得到用户在各个分类的兴趣打分；
（2）将不用的物品分别放入各个分类下。