協同過濾，collaborative filtering，簡稱cf，廣泛應用於如今的推薦系統中。通過協同過濾演算法，可以算出兩個相似度：user-user相似度矩陣； item-item相似度矩陣。
為什麼叫做協同過濾？是因為這兩個相似度矩陣是通過對方來計算出來的。舉個栗子：100個使用者同時購買了兩種物品a和b，得出在item-item相似度矩陣中a和b的相似度為0.8; 1000個物品同時被使用者c和使用者d購買，得出在user-user相似度矩陣中c和d的相似度是0.9. user-user, item-item的相似度都是通過使用者行為資料來計算出來的。
計算相似度的具體演算法，大概有幾種：歐幾里得距離，皮爾遜相關係數，cosine相似度，tanimoto係數。具體的演算法，有興趣的同學可以google.
協同過濾推薦演算法 協同過濾推薦演算法總結
推薦演算法具有非常多的應用場景和商業價值，因此對推薦演算法值得好好研究。推薦演算法種類很多，但是目前應用最廣泛的應該是協同過濾類別的推薦演算法，本文就對協同過濾類別的推薦演算法做乙個概括總結，後續也會對一些典型的協同過濾推薦演算法做原理總結。推薦演算法概述 1 基於內容的推薦 這一類一般依賴於自然語...
推薦系統 協同過濾演算法
推薦系統構建三大方法 基於內容的推薦content based，協同過濾collaborative filtering，隱語義模型 lfm,latent factor model 推薦。這篇部落格主要講協同過濾。推薦系統 協同過濾collaborative filtering 協同過濾 collab...
協同過濾推薦演算法 推薦演算法 基於協同過濾CF
前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下的...