本文为随堂学习笔记 课程见慕课-->个性化推荐算法实战入门必修课

Collaborative filtering 协同过滤

背景 1.信息过载 --> 找到用户所需  2.强依赖用户行为

Item cf  

  给用户推荐他之前喜欢的物品的相似物品

  如何衡量相似 -- > 喜欢两个物品的用户重合度越高，那么两个物品就越相似

  如何衡量喜欢 -- > 信息流产品下，是否为真实点击 ，电商产品下，更看重实际转化 ==》一定时长的停留。故要结合具体的产品

物品 i 和 j 相似度计算公式：

user对item j 的推荐得分 

N（u） ： user行为过的item 的总数

rui ： user对物品i的行为得分（比如电影评分系统中用户对电影的评分-->归一化0~1间的一个值）

Sij  ： 物品 i 和 j 的相似得分

item i 是用户行为过的物品且是与item j 最相似的top k个 item （一般实战中选取50个）

公式升级

1.理论意义：活跃用户应该被降低在相似度公式中的贡献度

每个用户对相似度的贡献不一样，活跃用户的贡献度降低

2.理论意义：用户在不同时间对item的操作应给予时间衰减惩罚

​