本文結構安排

• Item-Based Collaboration Filtering
• Slope One
• Matrix Factorization

Item-based Collaboration Filtering

推薦系統本質是在使用者需求不明確的情況下，解決資訊過載的問題，聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展現在對它感興趣的使用者面前，從而實現資訊消費者和資訊生產者的雙贏（這裡的資訊的含義可以非常廣泛，比如諮詢、電影和商品等，統稱為item）

協同過濾主要分為基於鄰域以及基於隱語義模型。基於鄰域的演算法中，Item-based CF應用廣泛，其主要思想為“喜歡item A的使用者大都喜歡使用者 item B”，通過挖掘使用者歷史的操作日誌，利用群體智慧，生成item的候選推薦列表。
原理是通過將使用者和其他使用者的資料進行比對來實現推薦的。比對的具體方法就是通過計算兩個使用者資料之間的相似性，通過相似性的計算來說明兩個使用者資料之間的相似程度。相似度函式的設計必須滿足度量空間的三點要求，即非負性，對稱性和三角不等性。常用的相似度的計算方法有：歐式距離法、皮爾遜相關係數法和夾角餘弦相似度法。

User-based的基本思想是如果使用者A喜歡物品a，使用者B喜歡物品a、b、c，使用者C喜歡a和c，那麼認為使用者A與使用者B和C相似，因為他們都喜歡a，而喜歡a的使用者同時也喜歡c，所以把c推薦給使用者A。該演算法用最近鄰居（nearest-neighbor）演算法找出一個使用者的鄰居集合，該集合的使用者和該使用者有相似的喜好，演算法根據鄰居的偏好對該使用者進行預測。

User-based演算法存在兩個重大問題：1. 資料稀疏性。一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一個使用者的鄰居，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。

Iterm-based的基本思想是預先根據所有使用者的歷史偏好資料計算物品之間的相似性，然後把與使用者喜歡的物品相類似的物品推薦給使用者。還是以之前的例子為例，可以知道物品a和c非常相似，因為喜歡a的使用者同時也喜歡c，而使用者A喜歡a，所以把c推薦給使用者A。

因為物品直接的相似性相對比較固定，所以可以預先線上下計算好不同物品之間的相似度，把結果存在表中，當推薦時進行查表，計算使用者可能的打分值，可以同時解決上面兩個問題。

Item-based演算法詳細過程：

1、相似度計算：Item-based演算法首選計算物品之間的相似度，計算相似度的方法有以下幾種：

(1). 基於餘弦（Cosine-based）的相似度計算，通過計算兩個向量之間的夾角餘弦值來計算物品之間的相似性

$cos_{}{X,Y} = \frac{XY}{||X|| * ||Y||} = \frac{\sum_{i=1}^{n}(x_{i} * y_{i})}{\sqrt{\sum_{i=1}^{n}x_{i}^{2}} * \sqrt{\sum_{i=1}^{n}y_{i}^{2}}}$

(2). 基於關聯（Correlation-based）的相似度計算，計算兩個向量之間的Pearson-r關聯度

$P_{X,Y}=\frac{cov(X,Y)}{\sigma_{x}\sigma_{y}} = \frac{E((X-\mu_{x})(Y-\mu_{y}))}{\sigma_{x}\sigma_{y}} = \frac{\sum_{u \in U}^{ }(R_{u,i}-\bar{R}_{i})(R_{u,j}-\bar{R}_{j})} {\sqrt{\sum_{u \in U}^{ }(R_{u,i}-\bar{R}_{i})^{2}} * \sqrt{\sum_{u \in U}^{ }(R_{u,j}-\bar{R}_{j})^{2}}}$

2、\textbf{預測值計算}：加權求和. 用過對使用者u已打分的物品的分數進行加權求和，權值為各個物品與物品i的相似度，然後對所有物品相似度的和求平均，計算得到使用者u對物品i打分

$P_{u,i} = \bar{R}_{i} + \frac{\sum_{j \in N(i:u)}^{ }sim(i,j)*(R_{u,j}-\bar{R}_{j})}{\sum_{j \in N(i:u)}^{ }|sim(i,j)|}$

Slope One

簡單高效的協同過濾演算法。Slope One 和其它類似演算法相比, 它的最大優點在於演算法很簡單, 易於實現, 執行效率高, 同時推薦的準確性相對很高。

Slope One演算法是基於不同物品之間的評分差的線性演算法，預測使用者對物品評分的個性化演算法。主要兩步：

Step1:計算物品之間的評分差的均值，記為物品間的評分偏差(兩物品同時被評分)；

$ R ( i j ) = ∑ u ∈ N ( i ) ∩ N ( j ) ( R u , i − R u , j ) ∣ N ( i ) ∩ N ( j ) ∣ = ∑ u ∈ N ( i ) 相關推薦 推薦系統-Recommendation System-CF/SlopeOne/MF 本文結構安排 Item-Based Collaboration Filtering Slope One Matrix Factorization Item-based Collaboration Filtering 推薦系統本質是在使用者需求不明確的情況 推薦系統(Recommender System) alpha splay min 計算 ali 協同過濾算法 評分 其中 num 推薦系統(Recommender System) 案例 為用戶推薦電影 數據展示 Bob Tom Alice Jack 動作成分 浪漫成分 Movie1 5 ? 0 3 ? Traditional Recommendation Methods（傳統推薦系統CF，MF） 開篇 此前所總結學習的機器學習演算法無不可以運用到各種資料中，在有些演算法的實現中合適的資料真的不那麼的好找，特別是對於原生的演算法來說甚至是自己生成有噪音的資料。但作為已經出現幾十年的Internet，人們利用它去交流去交易去購買去娛樂同樣也太久，也太多。沒錯，這些就是天然的資訊， 9、Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases------CML推薦系統（電影院放映的應用） The ora 基於 輸入 ati src 了解 公式 版本 一、摘要： 主要是做一個基於協作（深度）度量學習（CML）的系統來預測新劇場版本的購買概率。即測量產品的空間距離來預測購買概率。 二、模型 該圖分為兩部分，先計算右邊，右邊通過深度度量學習（DDML）來計算產品距 9、Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases------CML推薦系統（電影院放映的應用） 一、摘要： 主要是做一個基於協作（深度）度量學習（CML）的系統來預測新劇場版本的購買概率。即測量產品的空間距離來預測購買概率。 二、模型 該圖分為兩部分，先計算右邊，右邊通過深度度量學習（DDML）來計算產品距離，將得到的產品距離輸入左邊邏輯迴歸中得到購買概率。  e（movie）是電 新聞推薦系統：基於內容的推薦演算法（Recommender System：Content-based Recommendation） 2018/10/04更新 這篇文章似乎被越來越多的小夥伴看到了，所以覺得有必要做一些進一步的詳細說明。 首先按照本文所講解的推薦思路進行新聞推薦的推薦系統，我已經實現並已經放在Github上了。歡迎小夥伴們積極star和fork，更歡迎隨時提建議，我們一起交 Music Recommendation System with User-based and Item-based Collaborative Filtering Technique(使用基於用戶及基於物品的協同過濾技術的音樂推薦系統)【更新】 effect 方向 流動 建議 comm 時代 歌曲 .net man 摘要: 大數據催生了互聯網，電子商務，也導致了信息過載。信息過載的問題可以由推薦系統來解決。推薦系統可以提供選擇新產品（電影，音樂等）的建議。這篇論文會介紹一個音樂推薦系統，他會根據用戶的歷史行為和口味 斯坦福NG機器學習聽課筆記-推薦系統（recommender system） 推薦系統（recommender system） Problem Formulation: RecommenderSystems:為什麼講它有兩個原因：首先它是一個很重要的機器學習應用方向，在很多公司中佔據了重要作用，像亞馬遜之類網站都是很好的建立推薦系統促進商品銷售。其次推薦系 開源推薦系統Librec中recommender模組演算法瞭解——cf模組 1.      k近鄰（k-NearestNeighbor）演算法介紹及在推薦系統中的應用 https://zhuanlan.zhihu.com/p/25994179 k近鄰（k-NearestNeighbor）演算法是一種基本分類和迴歸方法。分類問題的k近 推薦系統論文筆記（6）：Social Recommendation: A Review 一、基本資訊 論文題目：《Social Recommendation: A Review》 發表時間：2013 論文作者及單位：Jiliang Tang,Xia Hu,Huan Liu  (Arizona State University) 論文地址：https://lin 推薦系統論文閱讀——Factorizing Personalized Markov Chains for Next-Basket Recommendation 論文題目：Factorizing Personalized Markov Chains for Next-Basket Recommendation Factorizing Personalized Markov Chains for Next-Bas 基於使用者的協同過濾（user-based CF）推薦系統【2】 這一篇是緊跟著上一篇基於使用者的協同過濾（user-based CF）推薦系統【1】的，這一篇只是把計算相似度的方法換成了餘弦相似度，當然最後計算評分的公式也就變了。下面只把有變化的那部分程式碼貼出來。 機器學習筆記——推薦系統（recommender system） 推薦系統 我們在平時最常見的就是某個網站給你推薦廣告，豆瓣給你推薦電影，網易雲給你推薦你喜歡的歌，這種系統我們統一稱作推薦系統 基於內容的推薦 我們舉一個電影打分的例子 我們可以為某一部電影選定特徵，不同人對不同的特徵有不同的偏愛特性，藉此我們可以預測某個人對某部特定電影的打分 推薦系統之協同過濾（CF）演算法 一，集體智慧（社會計算）： 集體智慧 (Collective Intelligence) 並不是 Web2.0 時代特有的，只是在Web2.0 時代，大家在 Web 應用中，利用集體智慧構建了更加有趣的應用或者得到更好的使用者體驗。集體智慧是指在大量 Traditional Recommendation Methods（傳統推薦系統FM） 在處理MF矩陣分解時使用過FunkSVD，最後在分解誒P，Q矩陣的時候果然還是用到了一般套路，根據預測y和實際y的差別梯度下降來尋找。所以能否直接從這個思路，把它變成多個特徵的迴歸模型是否可行？ y 推薦系統（Remmender System）學習筆記（二）--基於深度學習的推薦系統 關於session-based recommender system相關演算法以及論文筆記： 1.the item-to-item recommendation approach 《Item-based collaborative filtering recommendat 基於CB，CF，LR演算法的推薦系統實現 在開篇之前，我們先來說下上次CB，CF演算法實現粗的推薦系統，我們知道，CB，CF演算法只是在召回階段使用，這種推薦出來的item畢竟是粗排的，這篇文章正是對上圖畫上一個圓滿的句號，將CB，CF召回回來的item進行精排，然後選擇分數最高，給使用者推薦出來，那麼，問題來， 推薦系統（Recommender System)的技術基礎         推薦系統是通過分析使用者屬性、訪問日誌、反饋資訊等對使用者可能感興趣的項進行預測。推薦系統在web2.0時代將有非常廣泛的應用。         推薦系統應用了多個領域的方法和技術，如人機對話（Human Computer Interaction)、資訊檢索 【推薦系統】融合 MF 和 RNN 的電影推薦系統 來源：楊敏   PaperWeekly 全標題：Leveraging Long and Shor ML之RS：基於使用者的CF+LFM實現的推薦系統(基於相關度較高的使用者實現電影推薦) #ML之RS：基於CF和LFM實現的推薦系統 import numpy as np import pandas as pd import matplotlib.pyplot as plt import time import warnings wa $