当前位置: 首页 > news >正文

协同过滤推荐算法

  协同过滤(Collaborative Filtering)是推荐系统中最经典的算法之一,其核心思想是 “物以类聚,人以群分”,即通过分析用户的历史行为数据,找到与目标用户相似的用户群体或相似的物品,从而为目标用户推荐他们可能感兴趣的物品。

一、基于用户的协同过滤(User-Based CF)

核心思想:找到与目标用户兴趣相似的其他用户(“邻居”),将这些邻居喜欢的物品推荐给目标用户。

步骤:
s1.计算用户相似度:通过用户的历史行为(如评分矩阵)计算用户之间的相似度。常用方法有,
  余弦相似度:将用户评分视为向量,计算向量夹角余弦值。
  皮尔逊相关系数:修正用户评分偏置(如严格评分 vs 宽松评分)。
s2.选择邻居用户:筛选出与目标用户最相似的 Top-K 个用户。
s3.生成推荐:根据邻居用户的加权评分(相似度作为权重),预测目标用户对未交互物品的兴趣,推荐得分最高的物品。
  举例:用户A和用户B都喜欢电影《星际穿越》和《盗梦空间》,用户B还喜欢《信条》,则可将《信条》推荐给用户A。

二、基于物品的协同过滤(Item-Based CF)

核心思想:找到与目标物品相似的其他物品,将用户喜欢物品的相似物品推荐给该用户。
步骤:
s1.计算物品相似度:基于用户对物品的历史行为(如共现次数或评分模式)计算物品之间的相似度。
  常用方法:调整余弦相似度(消除用户评分尺度影响)。
s2.生成推荐:根据用户已交互的物品,找出相似物品并预测评分,推荐得分最高的物品。
  举例:喜欢《哈利波特》的用户通常也喜欢《指环王》,则可将《指环王》推荐给喜欢《哈利波特》的用户。

三、协同过滤的关键问题与解决方式

数据稀疏性:用户-物品矩阵通常非常稀疏(大部分用户未交互大部分物品)。
解决方式:使用矩阵分解(如SVD、ALS)降维,或结合内容信息(混合推荐)。

冷启动问题:新用户或新物品缺乏历史数据。
解决方式:结合基于内容的推荐或利用社交网络信息。

相似度计算的效率:大规模数据下计算用户/物品相似度耗时。
解决方式:使用局部敏感哈希(LSH)或分布式计算(如Spark)。

四、协同过滤的优缺点

优点:
  无需领域知识,仅依赖用户行为数据。
  能够发现用户潜在的、非显式的兴趣(如“啤酒与尿布”关联)。

缺点:
  依赖高质量的历史数据,对稀疏数据敏感。
  难以处理冷启动问题。
  可解释性较弱(尤其是矩阵分解类方法)。

五、Python实现示例

import numpy as np# 示例用户-物品评分矩阵(行表示用户,列表示物品)
# 0表示未评分
ratings = np.array([[5, 3, 0, 1],[4, 0, 0, 1],[1, 1, 0, 5],[1, 0, 0, 4],[0, 1, 5, 4],
])def similarity(user1, user2):"""计算两个用户之间的余弦相似度"""# 找到两个用户都评分的物品both_rated = np.logical_and(ratings[user1] > 0, ratings[user2] > 0)if not np.any(both_rated):return 0# 提取共同评分的物品user1_common = ratings[user1, both_rated]user2_common = ratings[user2, both_rated]# 计算余弦相似度dot_product = np.dot(user1_common, user2_common)norm1 = np.linalg.norm(user1_common)norm2 = np.linalg.norm(user2_common)if norm1 == 0 or norm2 == 0:return 0return dot_product / (norm1 * norm2)def recommend_items(user_id, top_n=2):"""为指定用户推荐物品"""n_users, n_items = ratings.shape# 计算目标用户与其他用户的相似度similarities = [similarity(user_id, i) for i in range(n_users)]recommendations = {}# 遍历每个物品for item_id in range(n_items):# 如果目标用户已经对该物品评分,则跳过if ratings[user_id, item_id] > 0:continue# 计算加权评分和相似度总和weighted_sum = 0sim_sum = 0# 遍历每个用户for other_user_id in range(n_users):# 如果其他用户对该物品有评分if ratings[other_user_id, item_id] > 0:weighted_sum += similarities[other_user_id] * ratings[other_user_id, item_id]sim_sum += abs(similarities[other_user_id])# 计算预测评分if sim_sum > 0:predicted_rating = weighted_sum / sim_sumrecommendations[item_id] = predicted_rating# 返回评分最高的top_n个物品return sorted(recommendations.items(), key=lambda x: x[1], reverse=True)[:top_n]# 为用户0推荐物品
user_id = 0
recommended = recommend_items(user_id)print(f"为用户{user_id}推荐的物品:")
for item_id, score in recommended:print(f"物品{item_id},预测评分:{score:.2f}")

在这里插入图片描述

示例说明

  评分矩阵:使用一个二维数组表示用户对物品的评分,0 表示未评分。
  相似度计算:通过余弦相似度计算用户之间的相似性,只考虑两个用户都评分的物品。
  推荐计算:对于目标用户未评分的物品,基于相似用户的评分进行加权平均,预测目标用户可能的评分。
  结果展示:返回预测评分最高的物品作为推荐结果。

六、小结

  协同过滤因其简单高效,至今仍是推荐系统的基石技术之一,常与内容推荐、图神经网络其他方法结合使用。

http://www.lryc.cn/news/579308.html

相关文章:

  • 动态规划-P1216 [IOI 1994] 数字三角形 Number Triangles
  • RAG实战指南 Day 4:LlamaIndex框架实战指南
  • AutoMedPrompt的技术,自动优化提示词
  • 基于 govaluate 的监控系统中,如何设计灵活可扩展的自定义表达式函数体系
  • 【学习线路】机器学习线路概述与内容关键点说明
  • 解决 Spring Boot 对 Elasticsearch 字段没有小驼峰映射的问题
  • STC8G 8051内核单片机开发(GPIO)
  • “Payload document size is larger than maximum of 16793600.“问题解决(MongoDB)
  • C++ 网络编程(14) asio多线程模型IOThreadPool
  • PyTorch 安装使用教程
  • EXCEL小妙招——判断A列和B列是否相等
  • AI时代SEO关键词策略
  • cv610将音频chn0配置为g711a,chn1配置为 aac编码,记录
  • Java 大视界 -- Java 大数据机器学习模型在自然语言处理中的跨语言信息检索与知识融合(331)
  • Docker:容器化技术的基石与实践指南
  • 机器学习在智能能源管理中的应用:需求响应与可再生能源整合
  • ECharts 安装使用教程
  • 计算机视觉的新浪潮:扩散模型(Diffusion Models)技术剖析与应用前景
  • 第8章网络协议-NAT
  • 多种方法实现golang中实现对http的响应内容生成图片
  • 50天50个小项目 (Vue3 + Tailwindcss V4) ✨ | ButtonRippleEffect(按钮涟漪效果)
  • springboot切面编程
  • Softhub软件下载站实战开发(十):实现图片视频上传下载接口
  • 全角半角空格在网页中占位符和编码emsp;ensp;
  • CentOS 6操作系统安装
  • 毫米波雷达 – 深度学习
  • ubuntu 22.04 LTS 安装preempt-rt
  • C++2d我的世界V1.4
  • 模型预测专题:强鲁棒性DPCC
  • YOLOv11剪枝与量化(二)通道剪枝技术原理