基于协同过滤的推荐引擎

（一）推荐引擎用例

• 京东、淘宝根据客户的购买历史来推荐；
• 爱奇艺、乐视根据向用户推荐电影；

（二）推荐算法

• 基于关系规则推荐：用户A经常同时购买了哪些商品，分析这些商品的关联规则，则用户B购买其中某一商品，可推荐其它商品；
• 基于内容推荐：用户喜欢A电影，B电影和A属于同一类型，比如爱情片，则该用户还可能喜欢B电影；
• 基于人口统计学推荐：将用户A的属性或特征一一罗列，如年龄、性别、职业等，如果用户B和A具有相似的属性，则用户B和用户A可能有相似购物喜好。
• 基于协同过滤推荐：
  • 基于用户：将一个用户对同所有item或content的偏好作为一个向量，计算用户之间的相似度；比如用户A购买了商品1和商品2，用户B也购买了商品1和商品2，则用户A购买了商品3时，可推荐用户B商品3。
  • 基于物品：将所有用户对某一item或content的偏好作为一个向量，计算item或content的相似度；比如用户A、用户B、用户C都购买了商品1，同时这些用户也都购买了商品2， 则用户D购买商品1时可推荐其购买商品2。

（三）协同过滤推荐

• 计算相似度
  • 欧氏距离：将向量组成矩阵，纵向计算两列值的欧氏距离：，相似度=1/(1+d)。

  •  皮尔逊相似度（pearson correlation）：度量两个向量之间的相似度，对量级不敏感，比如用户A对某电影差评为1，用户B对该电影好评为5，但皮尔逊系统会认为这两个向量是相等的。皮尔逊系数值一般为-1 至 1， 通过0.5 + 0.5 * 皮尔逊系数值归化为0到1之间。

  • 余弦相似度（cosine similarity）：计算两个向量夹角之间的余弦值，余弦值为0，相似度为1。余弦值在-1和1之间，可归化为0到1之间；计算公式：，如向量a，b坐标a(x1,y1), b(x2,y2), 则：，推广向量A=(x1,x2,x3...xn)， B=(y1,y2,y3...yn),则：

• 基于物品还是用户相似度？

  •  

    假设用户对物品的偏好向量组成一个矩阵，纵向为物品，横向为用户；

  • 用户和物品的数量级决定性能，所有用户数量远大于物品数量时，一般使用基于物品相似度的计算方法。

•