協同過濾（collaborative filtering，簡稱cf）推薦演算法的主要功能是**和推薦，「人以類聚，物以群分」。可以分為兩類，分別是基於使用者的協同過濾演算法(user-based collaborative filtering)，和基於物品的協同過濾演算法(item-based collaborative filtering)。
基於使用者的協同過濾演算法(user-based collaborative filtering)
如果a,b兩個使用者都購買了x,y,z三本圖書，並且給出了5星的好評。那麼a和b就屬於同一類使用者。可以將a看過的圖書w也推薦給使用者b。
如何通過使用者對不同商品的態度和偏好尋找相似的使用者。
用散點圖表示
歐幾里德距離評價
皮爾遜相關度評價
相關係數的分類
0.8-1.0 極強相關
0.6-0.8 強相關
0.4-0.6 中等程度相關
0.2-0.4 弱相關
0.0-0.2 極弱相關或無相關
為相似的使用者提供推薦物品。
加權排序推薦，提取了相似的幾個使用者評價過的另外商品。並對不同商品的評分進行相似度加權，然後推薦給使用者。
總結：1、資料稀疏性。乙個大型的電子商務推薦系統一般有非常多的物品，使用者可能買的其中不到1%的物品，不同使用者之間買的物品重疊性較低，導致演算法無法找到乙個使用者的鄰居，即偏好相似的使用者；2、演算法擴充套件性。最近鄰居演算法的計算量隨著使用者和物品數量的增加而增加，不適合資料量大的情況使用。
基於物品的協同過濾演算法(item-based collaborative filtering)
如果使用者a同時購買了商品1和商品2，那麼說明商品1和商品2的相關度較高。當使用者b也購買了商品1時，可以推斷他也有購買商品2的需求。
尋找相似的物品。
用散點圖表示
歐幾里德距離評價
皮爾遜相關度計算公式
為使用者提供基於相似物品的推薦。
加權排序推薦
item-based相似度計算
基於余弦（cosine-based）的相似度
基於關聯（correlation-based）的相似度
調整的余弦（adjusted cosine）相似度
item-based**值計算
加權求和
回歸
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...
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...
協同過濾推薦演算法
協同過濾推薦演算法 分為基於使用者的協同過濾推薦usercf和基於物品的協同過濾推薦itemcf。介紹見 協同過濾的實現步驟 1 指導思想 這種過濾演算法的有效性基礎在於 1 使用者偏好具有相似性，即使用者可分類。這種分類的特徵越明顯，推薦準確率越高 2 物品之間具有相似性，即偏好某物品的人，都很可...