推荐算法
推荐系统笔记
常用推荐算法：
1.基于用户的协同过滤（UserCF)
2.基于商品的协同过滤(ItemCF)
3.基于商品内容的推荐
4.基于机器学习的推荐
5.混合模型
基于用户的协同过滤：
根据用户的兴趣相似度进行推荐，给用户推荐和其有相似兴趣用户喜欢的商品，举个例子：用户A对物品{a, b, d}有过行为，用户B对物品{a, c}有过行为，利用余弦相似度公式计算用户A和用户B的兴趣相似度为：
推荐算法：
S(u, K)包含和用户u兴趣最接近的K个用户，N(i)是对物品i有过行为的用户集合，wuv
是用户u和用户v的兴趣相似度，rvi代表用户v对物品i的兴趣程度（如用户对电影评分越高，兴趣程度越高）
算法实现：
第一步：建立物品和用户的的倒排索引
第二步：建立用户的共现矩阵C
循环倒排索引，对于同一个商品出现多个用户，用户之间两两关联如对于商品a
对于矩阵C[A][B] 和C[B][A] 都进行 +1
第三步：建立用户相似度矩阵W
通过循环共现矩阵C使用算法：因为C是一个稀疏矩阵，可以只处理不为0数据（可以减少计算量提高速度）
第四步：创建用户和兴趣商品的矩阵（电影可根据评分，电子商务网站商品可以根据购买次数）
第五步：根据推荐算法公司，获取所有商品的推荐得分，给用户推荐推荐得分最高的K个商品
基于商品的协同过滤：
根据商品的相似度进行推荐，给用户推荐和其感兴趣商品最相似的商品
商品相似度算法：
商品i和j相似度为同时喜欢i和j的人数/sqrt(喜欢i的人数 * 喜欢j的人数)
推荐算法：
这里N(u)是用户喜欢的物品的集合，S(j,K)是和物品j最相似的K个物品的集合，wji是物品j和i
的相似度，rui是用户u对物品i的兴趣
算法实现：
第一步：建立用户-商品的倒排索引
第二步：建立商品的共现矩阵C
循环倒排索引，如果一个用户对a和b同时感兴趣，C[a][b] 和 C[b][a]同时加1
第三步：建立商品相似度矩阵W
根据相似度算法计算出商品相似度矩阵W，是一个对称的稀疏矩阵
第四步：创建用户和兴趣商品的矩阵（电影可根据评分，电子商务网站商品可以根据购买次数）
第五步：根据推荐算法公司，获取所有商品的推荐得分，给用户推荐推荐得分最高的K个商品
基于商品协同过滤python实现：https://github.com/zengjianda/item_recommend
基于内容的推荐：
建立商品相似度矩阵W，算法做相关的调整，可以根据商品的内容：如电影同主演或者同导演，淘宝商品可以根据商品的分类，品牌，价格，药品可以根据功能主治，如治感冒的药，可以推荐其他治感冒的药等等，具体做法可以将不同因子用数字表示，进行归一化，然后将商品映射到一个n维空间中的一个点，可以通过k邻近算法，或者cos求得商品之间的相似度
基于机器学习的推荐：
使用机器学习的无监督学习，对用户进行聚类（k-mean)，根据用户感兴趣的商品，将用户划分为高档用户，中档用户，抵挡用户，推荐的时候可根据商品的价格寻找合适的人群。这个聚类可以是多维度的，性别：男性，女性，年龄：老人，中年人，年轻人，小孩，对用户进行深层次的画像。这种聚类也适用于商品，商品可以根据：品牌，分类，价格区间等。基于内容的相似，可以使用NLP（自然语言处理）来分析商品内容的相似性。（这里谈到的比较浅显）
混合模型的推荐：
使用混合模型可以将上述推荐算法做一个整合，25%基于用户的协同过滤算法 推荐+ 25%基于商品的协同过滤算法的推荐 + 25%基于内容的算法推荐 + 25%基于机器学习的推荐
推荐算法好文章推荐：