协同过滤算法

Question

如果我有以下用户，他们观看的电影的评级如下：

User1 Movie1-5 Movie2-4 
User2 Movie2-5 Movie2-3 Movie3-4
User3 Movie1-4 Movie2-4 Movie4-4

如何使用协作过滤向user1推荐user1，以及如何计算user1给movie3 4或更高的概率？

Answer 1

这里有几种使用协作过滤生成建议的不同方法，我将解释基于用户的和基于项的协作过滤方法。这些方法在推荐算法中使用最多。

基于用户的协同过滤

这基本上是计算用户之间的相似性。相似性可以是pearson相关，也可以是余弦相似。有更多的相关数字，但这些是最常用的。这文章很好地解释了如何计算这一点。

基于用户的过滤确实带来了一些挑战。首先是数据稀疏的问题，这发生在有很多电影和一些评论。这使得计算用户之间的相关性变得困难。这维基百科页面解释了这方面的更多内容。

第二是可伸缩性问题。当你拥有成千上万部电影的数百万用户时，计算用户之间相关性的性能将会大幅下降。

基于项的协同过滤

这种方法不同于基于用户的过滤，因为它计算电影之间的相似性，而不是用户之间的相似性。然后，您可以使用此相似性来预测用户的评等。我发现这演示文稿解释得很好。

基于项的过滤器的性能优于基于用户的过滤器，但它们也面临着同样的问题，但稍微少了一点。

基于内容的过滤

看到您的数据，将很难生成建议，因为您从用户那里获得的数据太少。我建议使用基于内容的过滤器，直到您有足够的数据使用协作过滤方法。这是一个非常简单的方法，它基本上查看用户的配置文件，并将其与电影的某些标记进行比较。这页面将对其进行更详细的解释。

我希望这回答了你的一些问题！

Answer 2

您可以计算用户之间或项之间的相似性。一些比较容易找到相似性的方法是“余弦相似”、“Pearson相似”。

​

这个GFG页面解释了基于用户的方法，并举例说明了用户之间的相似性，从而对他们尚未看到的项目进行预测。