https://github.com/worry1613/gongyu-recommend

代码已经托管到github上，有任何的疑问可以直接看代码，或者直接给我发邮件[email protected],看到我会及时回复。

协同过滤算法

协同过滤是推荐系统中最常用到的算法，最基础的算法。 在协同过滤的基础上，衍生出了很多高级的算法，新的算法。协同过滤分为2种，基于用户的协同过滤，基于物品的协同过滤。

基于用户的协同过滤(userCF)

基于用户的协同过滤算法包括2个步骤：

1.找到和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，且目标用户没有看过的物品推荐给用户

推荐那些和他有共同兴趣爱好的用户喜欢的物品

简单点一句话，‘看过A的用户还看过哪些物品’。在物品详情页中，几乎都能见到。

具体实现请看https://github.com/worry1613/gongyu-recommend/usercf.py

类userCF经典算法，类userCFIIF改进版算法，对热门商品进行了适当的降权，使推荐数据更多样性。

基于物品的协同过滤(itemCF)

基于用户的协同过滤算法包括2个步骤：

1.计算物品之间的相似度

2.根据物品的相似度和用户的历史行为给用户生成推荐列表

推荐那些和他之前喜欢的物品类似的物品

简单点一句话，‘找到和看过的物品类似的物品’

具体实现请看https://github.com/worry1613/gongyu-recommend/itemcf.py

类itemCF经典算法，类itemCFIUF改进版算法，对热门商品进行了适当的降权，使推荐数据更多样性。

如何使用协同过滤算法

什么情况下用基于用户的协同过滤？什么情况下用基于物品的协同过滤？

1.用户和物品哪个数据少，就用基于哪个的算法，为什么？计算量小啊，很快就能出结果。临时可以用一用可以，长久不行。

2.时效性强的推荐使用基于用户的协同过滤，例如，新闻推荐。

3.个性化强的推荐使用基于物品的协同过滤，例如，论文，歌，图片，商品 推荐。

UserCF是某个群体内的物品热门程度
ItemCF是反应本人的兴趣爱好，更加个性化

优缺点对比

项目	UserCF	ItemCF
性能	适用于用户较少的场合，如果用户过多，计算用户相似度矩阵的代价交大	适用于物品数明显小于用户数的场合，如果物品很多，计算物品相似度矩阵的代价交大
领域	实效性要求高，用户个性化兴趣要求不高	长尾物品丰富，用户个性化需求强烈
实时性	用户有新行为，不一定需要推荐结果立即变化	用户有新行为，一定会导致推荐结果的实时变化
冷启动	在新用户对少的物品产生行为后，不能立即对他进行个性化推荐，因为用户相似度是离线计算的  新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给其他用户	新用户只要对一个物品产生行为，就能推荐相关物品给他，但无法在不离线更新物品相似度表的情况下将新物品推荐给用户
推荐理由	很难提供	可以根据用户历史行为归纳推荐理由

多看代码，理解算法，这个算法很简单，简单，单。