1 基于用戶的最近鄰?fù)扑]：
主要思想：找出與當(dāng)前用戶有相似偏好的其他用戶，即對(duì)等用戶或最近鄰，然后對(duì)當(dāng)前用戶沒有見過(guò)的產(chǎn)品P，利用其近鄰對(duì)p的評(píng)分計(jì)算預(yù)測(cè)值。
注意：相似偏好是指對(duì)物品的評(píng)分偏好，而不是相似個(gè)人資料的用戶。
對(duì)于具有相似偏好的用戶集，采用Pearson相關(guān)系數(shù)，給定評(píng)分矩陣R，用戶a和用戶b的相似度sim(a,b)的求法是對(duì)【（用戶a對(duì)產(chǎn)品pn的評(píng)價(jià)與用戶a的平均評(píng)分之差）乘以（用戶b對(duì)產(chǎn)品pn的評(píng)價(jià)與用戶b的平均評(píng)分之差）的積】求和（一共P個(gè)產(chǎn)品），再除以【（用戶a對(duì)產(chǎn)品pn的評(píng)價(jià)與用戶a的平均評(píng)分之差）的平方的求和】的平方根與【（用戶b對(duì)產(chǎn)品pn的評(píng)價(jià)與用戶b的平均評(píng)分之差）的平方的求和】的平方根。（如果你沒有看懂，請(qǐng)百度之......）。
pearson相關(guān)系數(shù)取值從+1(強(qiáng)正相關(guān))到-1(強(qiáng)負(fù)相關(guān))。
求完相似度，再根據(jù)最相似的N個(gè)近鄰與用戶a的平均評(píng)分的偏差，計(jì)算用戶a對(duì)物品p的預(yù)測(cè)值：a的平均評(píng)分加上，【近鄰b對(duì)產(chǎn)品p的評(píng)分與b的平均評(píng)分之差與相似度的積】求和（一共N個(gè)近鄰）再除以N個(gè)相似度之和。（具體的公式請(qǐng)百度之......）
在這里，P個(gè)產(chǎn)品和N個(gè)近鄰如何確定？沒有一個(gè)確定值，有研究表示，N在20到50之間比較合理。
2 基于物品的最近鄰?fù)扑]：
主要思想：利用物品間的相似度。注意：物品的相似度依然是其他用戶對(duì)其評(píng)分的相似度，不是物品名字屬性什么的相似度。
對(duì)于具有相似物品的集，采用余弦相似度，對(duì)于評(píng)分向量，點(diǎn)積除以模的積，相似度介于0和1之間，越接近1則表示越相似。但是基本的預(yù)先方法不會(huì)考慮用戶評(píng)分平均值之間的差異。改進(jìn)版的余弦方法可以解決這個(gè)問題，像pearson方法一樣，在評(píng)分之中減去平均值。
相似度求完，再求N個(gè)（產(chǎn)品的相似度乘以該用戶對(duì)產(chǎn)品的評(píng)分）之和再除以N個(gè)產(chǎn)品相似度之和。（看不懂請(qǐng)百度之公式......）
對(duì)于大規(guī)模電子商務(wù)網(wǎng)站，他們通常選擇離線預(yù)計(jì)算數(shù)據(jù)：其想法是事先構(gòu)建一個(gè)物品相似度矩陣，描述所有物品兩兩之間的相似度。
3 基于圖的方法：
主要思想：利用假定用戶品味的“傳遞性”，并由此增強(qiáng)額外信息矩陣。
該方法用于評(píng)分矩陣稀疏的時(shí)候，在物品和用戶之間連線，沒有評(píng)分則不連，標(biāo)準(zhǔn)的協(xié)同過(guò)濾方法會(huì)選擇距離為3的物品，但是這種思路會(huì)考慮5步距離或者更長(zhǎng)的距離的物品。
4 矩陣因子分解：
主要思想：使用矩陣因子分解方法從評(píng)分模式抽取出一組潛在的（隱藏的）因子，并通過(guò)這些因子向量描述用戶和物品。
主要使用奇異值分解（SVD）方法發(fā)現(xiàn)文檔中的潛在因子，SVD將高度相關(guān)且在一起出現(xiàn)的詞語(yǔ)作為單獨(dú)因子，把通常很大的文檔向量矩陣拆解成更小階的近似矩陣。
SVD的原理可以通俗的表述為:將給定M分解成3個(gè)矩陣的乘積，其中U和V分別成為左、右奇異向量，A對(duì)角線上的值成為奇異值，即M=UAV T 。
5 主成分分析：
主要思想：用主成分分析對(duì)評(píng)分?jǐn)?shù)據(jù)預(yù)處理，過(guò)濾得出數(shù)據(jù)中“最重要”的方面，以解釋大多數(shù)變量。
4和5都是降維方法，數(shù)學(xué)基礎(chǔ)不太好的人很難搞懂，嗯，有待進(jìn)一步研究......
6 關(guān)聯(lián)規(guī)則挖掘：
關(guān)聯(lián)規(guī)則X=>Y表示只要交易T包含X里的元素（規(guī)則體），Y里的元素（規(guī)則頭）就非常有可能也是相同交易的元素。關(guān)聯(lián)規(guī)則的衡量標(biāo)準(zhǔn)是支持度和可信度，支持度=交易量包含X交Y的集合/交易量集合，可信度=交易量包含X交Y的集合/交易量包含X的集合。支持度和可信度的最低閾值一般需要根據(jù)經(jīng)驗(yàn)確定。
主要方法，線下計(jì)算足夠高可信度和支持度的關(guān)聯(lián)規(guī)則集合。對(duì)物品根據(jù)規(guī)則進(jìn)行可信度排序，如果有多條規(guī)則推薦一個(gè)物品，則取可信度最高的那條規(guī)則。然后返回不同物品的規(guī)則列表中最前的N個(gè)元素。有一種搜尋規(guī)則的挖掘算法利用領(lǐng)域特性專門搜尋規(guī)則頭中（即Y中）包含某種目標(biāo)物品（用戶或物品）的規(guī)則。該算法不僅提高算法的效率，而且能夠發(fā)現(xiàn)很少購(gòu)買物品的規(guī)則，這些物品可能會(huì)因?yàn)橛邢薜闹С侄仍谌炙阉鲿r(shí)被過(guò)濾掉。
7 基于概率分析的推薦方法：
用概率的方法實(shí)現(xiàn)協(xié)同過(guò)濾，最初非常簡(jiǎn)單的方法是將預(yù)測(cè)問題看成是分類問題。提到概率方法的分類問題，不得不提貝葉斯分類器了。
聯(lián)系客服
