推荐算法-余弦相似度

⼀、余弦相似度：

余弦值越接近1，就表明夹⾓越接近0度，也就是两个向量越相似，这就叫\"余弦相似性\"⼆维向量的余弦相似度：

多维向量的余弦相似度（类⽐）

协同过滤(Collaborative Filtering, 简称 CF)：

收集⽤户⾏为

减噪与归⼀化处理

1. 减噪：⽤户⾏为数据是⽤户在使⽤应⽤过程中产⽣的，它可能存在⼤量的噪⾳和⽤户的误操作，我们可以通过经典的数据挖掘算法过滤掉⾏为数据中的噪⾳，这样可以是我们的分析更加精确

2. 归⼀化：将各个⾏为的数据统⼀在⼀个相同的取值范围中，从⽽使得加权求和得到的总体喜好更加精确。⼆、基于物品的协同过滤推荐算法(itemCF)：

算法思想：给⽤户推荐那些和他们之前喜欢的物品相似的物品

⽤户⾏为与权重：点击-1、搜索-3、收藏-5 、付款-10⽤户 A、B、C

商品 1、2、3、4、5、6

根据⽤户⾏为列表计算⽤户、物品的评分矩阵

根据⽤户、物品的评分矩阵计算物品、物品的相似矩阵

相似度矩阵x评分矩阵=推荐列表

推荐列表中⽤户之前已经有过⾏为的元素置为0

三、基于⽤户的协同过滤推荐算法（UserCF）

算法思想：给⽤户推荐和他兴趣相似的其他⽤户喜欢的物品⽤户⾏为与权重：点击-1、搜索-3、收藏-5 、付款-10⽤户 A、B、C、D、E、F 商品 1、2、3、4、5、6

根据⽤户⾏为列表计算物品、⽤户的评分矩阵根据物品、⽤户的评分矩阵计算⽤户、⽤户的相似矩阵相似度矩阵X评分矩阵=推荐列表将推荐列表中⽤户已有⾏为的元素置0

四、基于内容推荐算法

算法思想：给⽤户推荐和他们之前喜欢的物品在内容上相似的其他物品1表⽰电影具有某个特征 0表⽰电影不具有某个特征物品特征建模：Item Profile

构建Item Profile矩阵（电影的特征项矩阵）构建Item User评分矩阵（⽤户电影的评分矩阵）

Item User x Item Profile = User Profile （⽤户对电影的喜爱程度）对Item Profile和User Profile求余弦相似度

五、基于物品的协同过滤推荐算法(itemCF)说明：1、根据⽤户⾏为列表计算⽤户、物品的评分矩阵

2、根据⽤户物品的评分矩阵计算物品、物品的相似矩阵

3、相似度矩阵x评分矩阵=推荐列表

4、推荐列表中⽤户之前已经有过⾏为的元素置为0