基于用户的协同过滤推荐算法原理和实现.docx

基于用户的协同过滤推荐算法原理和实现在推荐系统众多方法中，基于用户的协同过港推荐算法是最早诞生的，原理也较为简单。该算法1992年提出并用于邮件过渔系统，两年后1994年被GroupLens用于新闻过渔。一直到2000年，该算法都是推荐系统筑域最著名的算法。本文简单介绍基于用户的协同过滤算法思想以及原理，最后基于该算法实现园友的推荐，即根据你关注的人，为你推荐博客园中其他你有"J能感兴趣的人。根本思想俗话说"物以类聚、人以群分"，拿看电影这个例子来说，如果你喜欢煽蝠侠、碟中谍、星际穿越、K源代码等电影，另外有个人也都宫欢这些电影，而且他还喜欢钢铁侠，那么很有可能你也喜欢拥铁供这部电B所以说，当一个用户A需要个性化推荐时，可以先找到和他兴趣相似的用户群体G,然后把G喜欢的、并且A没有听说过的物品推荐给A.这就是基上用户的系统过滤算法。原理根据上述根本原理，我们可以将基于用户的协同过滤推荐算法拆分为两个步骤：1找到与目标用户兴趣相似的用户集合2.找到这个集合中用户喜欢的、并且目标用户没有听说过的物品推荐给目标用户1-发现兴趣相似的用户通常用JaCCard公式或者余弦相似度计算两个用户之间的相似度。设N(U)为用户U喜欢的物品集仆，MV)为用户V喜欢的物品集合，那么U和V的相似度是多少呢：Jaccard公式：余弦相似度：假设日前共有4个用户：A.B.C、D；共有5个物品：a、Ac,d、e,.用户与物品的关系(用户喜炊物品)如下列图所示：如何一下子计算所有用户之间的相似度呢？为计算方便，通常首先需要建立"物品-用户"的倒排表，如下列图所示：然后对于每个物品，喜欢他的用户，两两之间相同物品加1例如喜欢物品a的用户有A和B,那么在矩阵中他们两两加L如卜列图所示:计0用户两两之间的相似度，上面的矩阵仅仅代表的是公式的分子局部.以余弦相似度为例，对上图进行进一步计算，到此，计算用户相似度就大功告成，可以很直观的找到与Fi标用户兴趣较相似的用户.2.推荐物品首先需要从矩阵中找出与目标用户U最相似的K个用户，用集介S(u,K)表示，将S中用户喜欢的物必全部提取出来，并去除U已经喜欢的物品.对每个候选物品i,用户U对它感兴趣的程度用如下公式计算：其中Z表示用户V对i的再欢程度.在本例中都是为1,在一些需要用户给予评分的推荐系统中，那么要代入用户评分。举个例子，假设我们要给A推荐物品，选取K，3个相似用户.相似用户那么是：B、&D,那么他们喜欢过并且A没有喜欢过的物品有：c、e,那么分别计算p(A,c)和p(A,e)：看样子用户A对C和e的喜炊程度可能是一祥的，在真实的推荐系统中，只要按得分排序，取前几个物品就可以了.园友推荐在社交网络的推荐中，"物品.其实就是"人"，“喜欢件物品变为"关注的人"，这节用卜,面的算法实现给我推荐10个园友。1计算10名与我兴趣最相似的园友由于只是为我一个人做用户推荐，所以没必要建立一个庞大的用户两两之间相似度的矩阵了，与我兴瞋相似的园友只会在这个群体产生：我关注的人的粉丝：除我自己之外，目前我一共关注了23名园友，这23名园友一共有22936个唯一粉丝，我对这22936个用户逐一计算了相似度，相似度推名前10的用户及相似慢如下：昵称关注数量共同数量相似度蓝枫叶1938540.373001923296126FBI08070333鱼非鱼33Lauce33蓝色蜗牛33Shanyujin：53Mr.Huang640.340502612303499对世界说你好640.340502612303499Strucoder288Mr.Vangogh432.计算对推荐园友的兴趣度这10名相似用户共推荐了25名园友.计算得到兴趣度并排序:排序昵称兴趣度1wolfy0.3730019232961262Artech0.3405026123034993CatChen0.3405026123034994WXWinter（冬）0.3405026123034995DanielWise0.3405026123034996一路前行7LiamWang8usharei9CoderZh10博客园团队11深蓝色右手12Kinglee13Gnie14riccc15Braincol16滴答的雨17DennisGao18刘冬.RET19李永京20浪端之渡鸟21李涛22阿不23JK_Rush24xiaotie25Leepy只需要按需要取相似度排名前10名就可以了，不过看起来整个列表的推荐质、都还不错！