**：item-based top-n recommendation algorithms
過程：1. 構建乙個m*m的矩陣，每一列最多有k個非0值，比如第j列，非0值代表和第j個item最相關的k個item。k一般10-20，不會很大，保持矩陣的稀疏性。
3. 上述矩陣相乘，等於是權重累加（比如使用者買過了a和b，a和c的相似度權重+b和c的相似度權重，就是這個使用者推薦c的總權重）。輸出的格式：m*1的矩陣，最多n個非0值，存的是權重，代表為該使用者推薦的n個item。
存在問題，a和b相關的一系列item之間不可直接比較。特別是對於不經常購買的商品。需要歸一化，使得乙個item對應的k個item總權重為1.
如何計算相似度：
1. 乙個買很多東西的使用者，和乙個買比較少東西的使用者，對於商品共現的權重不同。買的少的人，裡面商品的共現，體現的相關性更大一些。
2. sim(i,j)和sim(j,i)是不同的。出現次數多的i會被懲罰
3. 基於cosine的相似度：n×m user–item矩陣，
如果要對買的東西多的人進行降權，則可以對每一行進行歸一化
4. 基於條件概率的相似度：
p( j |i) = freq(i j )/freq(i)
買過i的人再買j的概率
上述公式的問題是：如果j經常被購買，則會趨向於獲得更大的概率，必須適度懲罰
a是乙個0-1之間的數，具體取多少合適，需要看具體的問題，需要試驗
freq(ij)是同時購買i和j的使用者數
上述公式沒有區分買東西多和買東西少的使用者
考慮的話，首先對n×m user–item矩陣行歸一化（買的少的使用者，權重會更大點）
上述公式的上面部分，應用於user–item矩陣，把第j列歸一化後的非0值都加起來。是否少了個條件？至少使用者還得買過i啊。
所有ij組都計算出來，構成乙個矩陣，最後矩陣還需要歸一化（列歸一化），使得列的模為1
協同過濾 基於使用者的協同過濾itemCF
基於使用者的協同過濾演算法也被稱為最近鄰協同過濾或knn k nearest neighbor,k最近鄰演算法 其核心思想就是，首先根據相似度計算出目標使用者的鄰居集合，然後用鄰居使用者評分的加權組合來為目標使用者作推薦。通常這些演算法都可以總結成三步 首先，使用使用者已有的評分來計算使用者之間的相...
協同過濾演算法
3種形式的協同過濾 collaborative filtering 演算法 1 user based 相同 相似 使用者的喜好相同 2 item based 能夠引起使用者興趣的專案，必定與其之前評分高的專案相似 3 model based 先用歷史資料得到乙個模型，再用此模型進行 參考 這個位址是...
協同過濾理論
基於使用者的 cf 的基本思想相當簡單，基於使用者對物品的偏好找到相鄰鄰居使用者，然後將鄰居使用者喜歡的推薦給當前使用者。計算上，就是將乙個使用者對所有物品的偏好作為乙個向量 來計算使用者之間的相似度，找到 k 鄰居後，根據鄰居的相似度權重以及他們對物品的偏好，當前使用者沒有偏好的未涉及物品，計算得...